第12章 计算学习理论
正如本章开篇所述,计算学习理论研究目的是分析学习任务的困难本质,为学习算法提供理论保证,并根据分析结果指导算法设计。例如,"西瓜书"定理12.1、定理12.3、定理12.6所表达意思的共同点是,泛化误差与经验误差之差的绝对值以很大概率(1 − δ 1-\delta 1 − δ )很小,且这个差的绝对值随着训练样本个数(m m m )的增加而减小,随着模型复杂度(定理12.1为假设空间包含的假设个数∣ H ∣ \vert\mathcal{H}\vert ∣ H ∣ ,定理12.3中为假设空间的VC维,定理12.6中为(经验)Rademacher复杂度)的减小而减小。因此,若想要得到一个泛化误差很小的模型,足够的训练样本是前提,最小化经验误差是实现途径,另外还要选择性能相同的模型中模型复杂度最低的那一个;"最小化经验误差"即常说的经验风险最小化,"选择模型复杂度最低的那一个"即结构风险最小化,可以参见"西瓜书"6.4节最后一段的描述,尤其是式(6.42)所表达的含义。
12.1 基础知识
统计学中有总体集合和样本集合之分,
比如要统计国内本科生对机器学习的掌握情况,
此时全国所有的本科生就是总体集合,
但总体集合往往太大而不具有实际可操作性, 一般都 是取总体集合的一部分,
比如从双一流 A \mathrm{A} A 类、双一流 B \mathrm{B} B
类、一流学科建设高校、普通高校 中各找一部分学生 (即样本集合)进行调研,
以此来了解国内本科生对机器学习的掌握情况。 在机器学习中, 样本空间 (参见
1.2 1.2 1.2 节) 对应总体集合, 而我们手头上的样例集 D D D 对应 样本集合, 样例集
D D D 是从样本空间中采样而得, 分布 D \mathcal{D} D
可理解为当从样本空间采样获得样例 集 D D D 时每个样本被采到的概率, 我们用
D ( t ) \mathcal{D}(t) D ( t ) 表示样本空间第 t t t 个样本被采到的概率。
12.1.1 式(12.1)的解释
该式为泛化误差的定义式,所谓泛化误差,是指当样本x x x 从真实的样本分布D \mathcal{D} D 中采样后其预测值h ( x ) h(\boldsymbol{x}) h ( x ) 不等于真实值y y y 的概率。在现实世界中,我们很难获得样本分布D \mathcal{D} D ,我们拿到的数据集可以看做是从样本分布D \mathcal{D} D 中独立同分布采样得到的。在西瓜书中,我们拿到的数据集,称为样例集D D D [也叫观测集、样本集,注意与花体D \mathcal{D} D 的区别]。
12.1.2 式(12.2)的解释
该式为经验误差的定义式,所谓经验误差,是指观测集D D D 中的样本x i , i = 1 , 2 , ⋯ , m x_i, i=1,2,\cdots,m x i , i = 1 , 2 , ⋯ , m 的预测值h ( x i ) h(\boldsymbol{x}_i) h ( x i ) 和真实值y i y_i y i 的期望误差。
12.1.3 式(12.3)的解释
假设我们有两个模型h 1 h_1 h 1 和h 2 h_2 h 2 ,将它们同时作用于样本x \boldsymbol{x} x 上,那么他们的"不合"度定义为这两个模型预测值不相同的概率。
12.1.4 式(12.4)的解释
Jensen不等式:这个式子可以做很直观的理解,比如说在二维空间上,凸函数可以想象成开口向上的抛物线,假如我们有两个点x 1 , x 2 x_1, x_2 x 1 , x 2 ,那么f ( E ( x ) ) f(\mathbb{E}(x)) f ( E ( x )) 表示的是两个点的均值的纵坐标,而E ( f ( x ) ) \mathbb{E}(f(x)) E ( f ( x )) 表示的是两个点纵坐标的均值,因为两个点的均值落在抛物线的凹处,所以均值的纵坐标会小一些。
12.1.5 式(12.5)的解释
随机变量的观测值是随机的, 进一步地, 随机过程的每个时刻都是一个随机变量。
式中, 1 m ∑ i = 1 m x i \frac{1}{m} \sum_{i=1}^m x_i m 1 ∑ i = 1 m x i 表示 m m m
个独立随机变量各自的某次观测值的平均,
1 m ∑ i = 1 m E ( x i ) \frac{1}{m} \sum_{i=1}^m \mathbb{E}\left(x_i\right) m 1 ∑ i = 1 m E ( x i ) 表示 m m m
个独立随机变量各自的期望的平均。
式(12.5)表示事件
1 m ∑ i = 1 m x i − 1 m ∑ i = 1 m E ( x i ) ⩾ ϵ \frac{1}{m} \sum_{i=1}^m x_i-\frac{1}{m} \sum_{i=1}^m \mathbb{E}\left(x_i\right) \geqslant \epsilon m 1 ∑ i = 1 m x i − m 1 ∑ i = 1 m E ( x i ) ⩾ ϵ
出现的概率不大于 (i.e., ⩽ ) e − 2 m ϵ 2 \left.\leqslant\right) e^{-2 m \epsilon^2} ⩽ ) e − 2 m ϵ 2 ;
式(12.6)的事件
∣ 1 m ∑ i = 1 m x i − 1 m ∑ i = 1 m E ( x i ) ∣ ⩾ ϵ \left|\frac{1}{m} \sum_{i=1}^m x_i-\frac{1}{m} \sum_{i=1}^m \mathbb{E}\left(x_i\right)\right| \geqslant \epsilon m 1 ∑ i = 1 m x i − m 1 ∑ i = 1 m E ( x i ) ⩾ ϵ
等价于以下事件:
1 m ∑ i = 1 m x i − 1 m ∑ i = 1 m E ( x i ) ⩾ ϵ ∨ 1 m ∑ i = 1 m x i − 1 m ∑ i = 1 m E ( x i ) ⩽ − ϵ \frac{1}{m} \sum_{i=1}^m x_i-\frac{1}{m} \sum_{i=1}^m \mathbb{E}\left(x_i\right) \geqslant \epsilon \quad \vee \quad \frac{1}{m} \sum_{i=1}^m x_i-\frac{1}{m} \sum_{i=1}^m \mathbb{E}\left(x_i\right) \leqslant-\epsilon m 1 i = 1 ∑ m x i − m 1 i = 1 ∑ m E ( x i ) ⩾ ϵ ∨ m 1 i = 1 ∑ m x i − m 1 i = 1 ∑ m E ( x i ) ⩽ − ϵ
其中, ∨ \vee ∨ 表示逻辑或
(以上其实就是将绝对值表达式拆成两部分而已)。这两个子事件并无 交集,
因此总概率等于两个子事件概率之和; 而
1 m ∑ i = 1 m x i − 1 m ∑ i = 1 m E ( x i ) ⩽ − ϵ \frac{1}{m} \sum_{i=1}^m x_i-\frac{1}{m} \sum_{i=1}^m \mathbb{E}\left(x_i\right) \leqslant-\epsilon m 1 ∑ i = 1 m x i − m 1 ∑ i = 1 m E ( x i ) ⩽ − ϵ
与式(12.5) 表达的事情对称, 因此概率相同。
Hoeffding 不等式表达的意思是 1 m ∑ i = 1 m x i \frac{1}{m} \sum_{i=1}^m x_i m 1 ∑ i = 1 m x i 和
1 m ∑ i = 1 m E ( x i ) \frac{1}{m} \sum_{i=1}^m \mathbb{E}\left(x_i\right) m 1 ∑ i = 1 m E ( x i )
两个值应该比较接近, 二者 之差大于 ϵ \epsilon ϵ 的概率很小 (不大于
2 e − 2 m ϵ 2 2 e^{-2 m \epsilon^2} 2 e − 2 m ϵ 2 )。
如果对Hoeffding不等式的证明感兴趣,可以参考Hoeffding在1963年发表的论文[1],这篇文章也被引用了逾万次。
12.1.6 式(12.7)的解释
McDiarmid不等式:首先解释下前提条件:
sup x 1 , … , x m , x i ′ ∣ f ( x 1 , … , x m ) − f ( x 1 , … , x i − 1 , x i ′ , x i + 1 , … , x m ) ∣ ⩽ c i \sup _{x_{1}, \ldots, x_{m}, x_{i}^{\prime}}\left|f\left(x_{1}, \ldots, x_{m}\right)-f\left(x_{1}, \ldots, x_{i-1}, x_{i}^{\prime}, x_{i+1}, \ldots, x_{m}\right)\right| \leqslant c_{i} x 1 , … , x m , x i ′ sup ∣ f ( x 1 , … , x m ) − f ( x 1 , … , x i − 1 , x i ′ , x i + 1 , … , x m ) ∣ ⩽ c i
表示当函数f f f 某个输入x i x_i x i 变到x i ′ x_i^\prime x i ′ 的时候,其变化的上确sup \sup sup 仍满足不大于c i c_i c i 。所谓上确界sup可以理解成变化的极限最大值,可能取到也可能无穷逼近。当满足这个条件时,McDiarmid不等式指出:函数值f ( x 1 , … , x m ) f(x_1,\dots,x_m) f ( x 1 , … , x m ) 和其期望值E ( f ( x 1 , … , x m ) ) \mathbb{E}\left(f(x_1,\dots,x_m)\right) E ( f ( x 1 , … , x m ) ) 也相近,从概率的角度描述是:它们之间差值不小于ϵ \epsilon ϵ 这样的事件出现的概率不大于exp ( − 2 ϵ 2 ∑ i c i 2 ) \exp \left(\frac{-2 \epsilon^{2}}{\sum_{i} c_{i}^{2}}\right) exp ( ∑ i c i 2 − 2 ϵ 2 ) ,可以看出当每次变量改动带来函数值改动的上限越小,函数值和其期望越相近。
12.2 PAC学习
本节内容几乎都是概念, 建议多读几遍,仔细琢磨一下。
概率近似正确(Probably Approximately Correct, PAC)学习, 可以读为
[pæk]学习。
本节第 2 段讨论的目标概念, 可简单理解为真实的映射函数;
本节第 3 段讨论的假设空间, 可简单理解为学习算法不同参数时的存在,
例如线性分类 超平面
f ( x ) = w ⊤ x + b f(\boldsymbol{x})=\boldsymbol{w}^{\top} \boldsymbol{x}+b f ( x ) = w ⊤ x + b , 每一组
( w , b ) (\boldsymbol{w}, b) ( w , b ) 取值就是一个假设;
本节第 4 段讨论的可分的(separable)和不可分的(non-separable),
例如西瓜书第 100 页的 图 5.4, 若假设空间是线性分类器,
则(a)(b)(c)是可分的, 而(d)是不可分的; 当然, 若假设空 间为椭圆分类器
(分类边界为椭圆), 则(d)也是可分的;
本节第 5 段提到的 "等效的假设"指的是第 7 页图 1.3 1.3 1.3 中的 A \mathrm{A} A 和
B \mathrm{B} B 两条曲线都可以完 美拟合有限的样本点, 故称之为 "等效"
的假设; 另外本段最后还给出了概率近似正确的 含义, 即
"以较大概率学得误差满足预设上限的模型"。
定义 12.1 PAC 辨识的式(12.9)表示输出假设 h h h 的泛化误差
E ( h ) ⩽ ϵ E(h) \leqslant \epsilon E ( h ) ⩽ ϵ 的概率不小于 1 − δ 1-\delta 1 − δ ; 即 "学习算法
L \mathfrak{L} L 能以较大概率 (至少 1 − δ 1-\delta 1 − δ ) 学得目标概念 c c c 的近似
(误差最多为 ϵ \epsilon ϵ )"。
定义 12.2 PAC 可学习的核心在于, 需要的样本数目 m m m 是
1 / ϵ , 1 / δ , size ( x ) , size ( c ) 1 / \epsilon, 1 / \delta, \operatorname{size}(\boldsymbol{x}), \operatorname{size}(\mathrm{c}) 1/ ϵ , 1/ δ , size ( x ) , size ( c )
的多 项式函数。
定义 12.3 PAC 学习算法的核心在于, 完成 PAC 学习所需要的时间是
1 / ϵ , 1 / δ , size ( x ) 1 / \epsilon, 1 / \delta, \operatorname{size}(\boldsymbol{x}) 1/ ϵ , 1/ δ , size ( x ) ,
size ( c ) \operatorname{size}(\mathrm{c}) size ( c ) 的多项式函数。
定义 12.4 样本复杂度指完成 PAC 学习过程需要的最少的样本数量,
而在实际中当然也 希望用最少的样本数量完成学习过程。
在定义 12.4 之后, 抛出来三个问题:
研究某任务在什么样的条件下可学得较好的模型?(定义 12.2)
某算法在什么样的条件下可进行有效的学习?(定义 12.3)
需多少训练样例才能获得较好的模型?(定义 12.4)
有限假设空间指 H \mathcal{H} H 中包含的假设个数是有限的,
反之则为无限假设空间; 无限假设空间 更为常见, 例如能够将图
5.4(a)(b)(c)中的正例和反例样本分开的线性超平面个数是无限多的。
12.2.1 式(12.9)的解释
PAC辨识的定义:E ( h ) E(h) E ( h ) 表示算法L \mathcal{L} L 在用观测集D D D 训练后输出的假设函数h h h ,它的泛化误差(见公式12.1)。这个概率定义指出,如果h h h 的泛化误差不大于ϵ \epsilon ϵ 的概率不小于1 − δ 1-\delta 1 − δ ,那么我们称学习算法L \mathcal{L} L 能从假设空间H \mathcal{H} H 中PAC辨识概念类C \mathcal{C} C 。
12.3 有限假设空间
本节内容分两部分, 第 1 部分 "可分情形" 时, 可以达到经验误差
E ^ ( h ) = 0 \widehat{E}(h)=0 E ( h ) = 0 , 做的事 情是以 1 − δ 1-\delta 1 − δ 概率学得目标概念的
ϵ \epsilon ϵ 近似, 即式(12.12); 第 2 部分 "不可分情形" 时, 无法达
到经验误差 E ^ ( h ) = 0 \widehat{E}(h)=0 E ( h ) = 0 , 做的事情是以 1 − δ 1-\delta 1 − δ 概率学得
min h ∈ H E ( h ) \min _{h \in \mathcal{H}} E(h) min h ∈ H E ( h ) 的 ϵ \epsilon ϵ 近似, 即式(12.20)。无
论哪种情形, 对于 h ∈ H h \in \mathcal{H} h ∈ H , 可以得到该假设的泛化误差 E ( h ) E(h) E ( h )
与经验误差 E ^ ( h ) \widehat{E}(h) E ( h ) 的关系, 即 "当 样例数目 m m m 较大时, h h h
的经验误差是泛化误差很好的近似", 即式(12.18); 实际研究中经常需
要推导类似的泛化误差上下界。
从式12.10到式12.14的公式是为了回答一个问题:到底需要多少样例才能学得目标概念c c c 的有效近似。只要训练集D D D 的规模能使学习算法L \mathcal{L} L 以概率1 − δ 1-\delta 1 − δ 找到目标假设的ϵ \epsilon ϵ 近似即可。下面就是用数学公式进行抽象。
12.3.1 式(12.10)的解释
P ( h ( x ) = y ) = 1 − P ( h ( x ) ≠ y ) P(h(\boldsymbol{x})=y) =1-P(h(\boldsymbol{x}) \neq y) P ( h ( x ) = y ) = 1 − P ( h ( x ) = y )
因为它们是对立事件,P ( h ( x ) ≠ y ) = E ( h ) P(h(x)\neq y)=E(h) P ( h ( x ) = y ) = E ( h ) 是泛化误差的定义(见12.1),由于我们假定了泛化误差E ( h ) > ϵ E(h)>\epsilon E ( h ) > ϵ ,因此有1 − E ( h ) < 1 − ϵ 1-E(h)<1-\epsilon 1 − E ( h ) < 1 − ϵ 。
12.3.2 式(12.11)的解释
先解释什么是h h h 与D D D "表现一致",12.2节开头阐述了这样的概念,如果h h h 能将D D D 中所有样本按与真实标记一致的方式完全分开,我们称问题对学习算法是一致的。即( h ( x 1 ) = y 1 ) ∧ … ∧ ( h ( x m ) = y m ) \left(h\left(\boldsymbol{x}_{1}\right)=y_{1}\right) \wedge \ldots \wedge\left(h\left(\boldsymbol{x}_{m}\right)=y_{m}\right) ( h ( x 1 ) = y 1 ) ∧ … ∧ ( h ( x m ) = y m ) 为True。因为每个事件是独立的,所以上式可以写成P ( ( h ( x 1 ) = y 1 ) ∧ … ∧ ( h ( x m ) = y m ) ) = ∏ i = 1 m P ( h ( x i ) = y i ) P\left(\left(h\left(\boldsymbol{x}_{1}\right)=y_{1}\right) \wedge \ldots \wedge\left(h\left(\boldsymbol{x}_{m}\right)=y_{m}\right)\right)=\prod_{i=1}^{m} P\left(h\left(\boldsymbol{x}_{i}\right)=y_{i}\right) P ( ( h ( x 1 ) = y 1 ) ∧ … ∧ ( h ( x m ) = y m ) ) = ∏ i = 1 m P ( h ( x i ) = y i ) 。根据对立事件的定义有:∏ i = 1 m P ( h ( x i ) = y i ) = ∏ i = 1 m ( 1 − P ( h ( x i ) ≠ y i ) ) \prod_{i=1}^{m} P\left(h\left(\boldsymbol{x}_{i}\right)=y_{i}\right)=\prod_{i=1}^{m}\left(1-P\left(h\left(\boldsymbol{x}_{i}\right) \neq y_{i}\right)\right) ∏ i = 1 m P ( h ( x i ) = y i ) = ∏ i = 1 m ( 1 − P ( h ( x i ) = y i ) ) ,又根据公式(12.10),有
∏ i = 1 m ( 1 − P ( h ( x i ) ≠ y i ) ) < ∏ i = 1 m ( 1 − ϵ ) = ( 1 − ϵ ) m \prod_{i=1}^{m}\left(1-P\left(h\left(\boldsymbol{x}_{i}\right) \neq y_{i}\right)\right)<\prod_{i=1}^{m}(1-\epsilon)=(1-\epsilon)^{m} i = 1 ∏ m ( 1 − P ( h ( x i ) = y i ) ) < i = 1 ∏ m ( 1 − ϵ ) = ( 1 − ϵ ) m
12.3.3 式(12.12)的推导
首先解释为什么"我们事先并不知道学习算法L \mathcal{L} L 会输出H \mathcal{H} H 中的哪个假设",因为一些学习算法对用一个观察集D D D 的输出结果是非确定的,比如感知机就是个典型的例子,训练样本的顺序也会影响感知机学习到的假设h h h 参数的值。泛化误差大于ϵ \epsilon ϵ 且经验误差为0的假设(即在训练集上表现完美的假设)出现的概率可以表示为P ( h ∈ H : E ( h ) > ϵ ∧ E ^ ( h ) = 0 ) P(h \in \mathcal{H}: E(h)>\epsilon \wedge \widehat{E}(h)=0) P ( h ∈ H : E ( h ) > ϵ ∧ E ( h ) = 0 ) ,根据式12.11,每一个这样的假设h h h 都满足P ( E ( h ) > ϵ ∧ E ^ ( h ) = 0 ) < ( 1 − ϵ ) m P(E(h)>\epsilon \wedge \widehat{E}(h)=0)<\left(1-\epsilon \right)^m P ( E ( h ) > ϵ ∧ E ( h ) = 0 ) < ( 1 − ϵ ) m ,假设一共有∣ H ∣ \vert\mathcal{H}\vert ∣ H ∣ 这么多个这样的假设h h h ,因为每个假设h h h 满足E ( h ) > ϵ E(h)>\epsilon E ( h ) > ϵ 且E ^ ( h ) = 0 \widehat{E}(h)=0 E ( h ) = 0 是互斥的,因此总的概率P ( h ∈ H : E ( h ) > ϵ ∧ E ^ ( h ) = 0 ) P(h \in \mathcal{H}: E(h)>\epsilon \wedge \widehat{E}(h)=0) P ( h ∈ H : E ( h ) > ϵ ∧ E ( h ) = 0 ) 就是这些互斥事件之和,即
P ( h ∈ H : E ( h ) > ϵ ∧ E ^ ( h ) = 0 ) = ∑ i ∣ H ∣ P ( E ( h i ) > ϵ ∧ E ^ ( h i ) = 0 ) < ∣ H ∣ ( 1 − ϵ ) m \begin{aligned}P\left(h \in \mathcal{H}: E(h)>\epsilon \wedge \widehat{E}(h)=0\right) &=\sum_i^{\mathcal{\vert H\vert}}P\left(E(h_i)>\epsilon \wedge \widehat{E}(h_i)=0\right)\\&<|\mathcal{H}|(1-\epsilon)^{m}\end{aligned} P ( h ∈ H : E ( h ) > ϵ ∧ E ( h ) = 0 ) = i ∑ ∣ H ∣ P ( E ( h i ) > ϵ ∧ E ( h i ) = 0 ) < ∣ H ∣ ( 1 − ϵ ) m
小于号依据公式(12.11)。
第二个小于号实际上是要证明∣ H ∣ ( 1 − ϵ ) m < ∣ H ∣ e − m ϵ \vert\mathcal{H}\vert(1-\epsilon)^m < \vert\mathcal{H}\vert e^{-m\epsilon} ∣ H ∣ ( 1 − ϵ ) m < ∣ H ∣ e − m ϵ ,即证明( 1 − ϵ ) m < e − m ϵ (1-\epsilon)^m < e^{-m\epsilon} ( 1 − ϵ ) m < e − m ϵ ,其中ϵ ∈ ( 0 , 1 ] \epsilon\in(0,1] ϵ ∈ ( 0 , 1 ] ,m m m 是正整数,推导如下:
当ϵ = 1 \epsilon=1 ϵ = 1 时,显然成立,当ϵ ∈ ( 0 , 1 ) \epsilon\in(0, 1) ϵ ∈ ( 0 , 1 ) 时,因为左式和右式的值域均大于0,所以可以左右两边同时取对数,又因为对数函数是单调递增函数,所以即证明m ln ( 1 − ϵ ) < − m ϵ m\ln(1-\epsilon) < -m\epsilon m ln ( 1 − ϵ ) < − m ϵ ,即证明ln ( 1 − ϵ ) < − ϵ \ln(1-\epsilon)<-\epsilon ln ( 1 − ϵ ) < − ϵ ,这个式子很容易证明:令f ( ϵ ) = ln ( 1 − ϵ ) + ϵ f(\epsilon)=\ln(1-\epsilon) + \epsilon f ( ϵ ) = ln ( 1 − ϵ ) + ϵ ,其中ϵ ∈ ( 0 , 1 ) \epsilon\in(0,1) ϵ ∈ ( 0 , 1 ) ,f ′ ( ϵ ) = 1 − 1 1 − ϵ = 0 ⇒ ϵ = 0 f^\prime(\epsilon)=1-\frac{1}{1-\epsilon}=0 \Rightarrow \epsilon=0 f ′ ( ϵ ) = 1 − 1 − ϵ 1 = 0 ⇒ ϵ = 0
取极大值0,因此l n ( 1 − ϵ ) < − ϵ ln(1-\epsilon)<-\epsilon l n ( 1 − ϵ ) < − ϵ
也即∣ H ∣ ( 1 − ϵ ) m < ∣ H ∣ e − m ϵ \vert\mathcal{H}\vert(1-\epsilon)^m < \vert\mathcal{H}\vert e^{-m\epsilon} ∣ H ∣ ( 1 − ϵ ) m < ∣ H ∣ e − m ϵ 成立。
12.3.4 式(12.13)的解释
回到我们要回答的问题:到底需要多少样例才能学得目标概念c c c 的有效近似。只要训练集D D D 的规模能使学习算法L \mathcal{L} L 以概率1 − δ 1-\delta 1 − δ 找到目标假设的ϵ \epsilon ϵ 近似即可。根据式12.12,学习算法L \mathcal{L} L 生成的假设大于目标假设的ϵ \epsilon ϵ 近似的概率为P ( h ∈ H : E ( h ) > ϵ ∧ E ^ ( h ) = 0 ) < ∣ H ∣ e − m ϵ P\left(h \in \mathcal{H}: E(h)>\epsilon \wedge \widehat{E}(h)=0\right)<\vert\mathcal{H}\vert e^{-m\epsilon} P ( h ∈ H : E ( h ) > ϵ ∧ E ( h ) = 0 ) < ∣ H ∣ e − m ϵ ,因此学习算法L \mathcal{L} L 生成的假设落在目标假设的ϵ \epsilon ϵ 近似的概率为1 − P ( h ∈ H : E ( h ) > ϵ ∧ E ^ ( h ) = 0 ) ≥ 1 − ∣ H ∣ e − m ϵ 1-P\left(h \in \mathcal{H}: E(h)>\epsilon \wedge \widehat{E}(h)=0\right)\ge 1-\vert\mathcal{H}\vert e^{-m\epsilon} 1 − P ( h ∈ H : E ( h ) > ϵ ∧ E ( h ) = 0 ) ≥ 1 − ∣ H ∣ e − m ϵ ,这个概率我们希望
至少是1 − δ 1-\delta 1 − δ ,因此1 − δ ⩽ 1 − ∣ H ∣ e − m ϵ ⇒ ∣ H ∣ e − m ϵ ⩽ δ 1-\delta\leqslant 1-\vert\mathcal{H}\vert e^{-m\epsilon}\Rightarrow\vert\mathcal{H}\vert e^{-m\epsilon}\leqslant\delta 1 − δ ⩽ 1 − ∣ H ∣ e − m ϵ ⇒ ∣ H ∣ e − m ϵ ⩽ δ
12.3.5 式(12.14)的推导
∣ H ∣ e − m ϵ ⩽ δ e − m ϵ ⩽ δ ∣ H ∣ − m ϵ ⩽ ln δ − ln ∣ H ∣ m ⩾ 1 ϵ ( ln ∣ H ∣ + ln 1 δ ) \begin{aligned}
\vert\mathcal{H}\vert e^{-m \epsilon} &\leqslant \delta\\
e^{-m \epsilon} &\leqslant \frac{\delta}{\vert\mathcal{H}\vert}\\
-m \epsilon &\leqslant \ln\delta-\ln\vert\mathcal{H}\vert\\
m &\geqslant \frac{1}{\epsilon}\left(\ln |\mathcal{H}|+\ln \frac{1}{\delta}\right)
\end{aligned} ∣ H ∣ e − m ϵ e − m ϵ − m ϵ m ⩽ δ ⩽ ∣ H ∣ δ ⩽ ln δ − ln ∣ H ∣ ⩾ ϵ 1 ( ln ∣ H ∣ + ln δ 1 )
这个式子告诉我们,在假设空间H \mathcal{H} H 是PAC可学习的情况下,输出假设h h h 的泛化误差ϵ \epsilon ϵ 随样本数目m m m 增大而收敛到0,收敛速率为O ( 1 m ) O(\frac{1}{m}) O ( m 1 ) 。这也是我们在机器学习中的一个共识,即可供模型训练的观测集样本数量越多,机器学习模型的泛化性能越好。
12.3.6 引理12.1的解释
根据式(12.2),
E ^ ( h ) = 1 m ∑ i = 1 m I ( h ( x i ) ≠ y i ) \widehat{E}(h)=\frac{1}{m} \sum_{i=1}^m \mathbb{I}\left(h\left(\boldsymbol{x}_i\right) \neq y_i\right) E ( h ) = m 1 ∑ i = 1 m I ( h ( x i ) = y i ) ,
而指示函数 I ( ⋅ ) \mathbb{I}(\cdot) I ( ⋅ ) 取值非 0 即 1 , 也就是 说
0 ≤ I ( h ( x i ) ≠ y i ) ≤ 1 0 \leq \mathbb{I}\left(h\left(\boldsymbol{x}_i\right) \neq y_i\right) \leq 1 0 ≤ I ( h ( x i ) = y i ) ≤ 1 ;
对于式(12.1) 的 E ( h ) E(h) E ( h ) 实际上表示
I ( h ( x i ) ≠ y i ) \mathbb{I}\left(h\left(\boldsymbol{x}_i\right) \neq y_i\right) I ( h ( x i ) = y i ) 为 1
的期望
E ( I ( h ( x i ) ≠ y i ) ) \mathbb{E}\left(\mathbb{I}\left(h\left(\boldsymbol{x}_i\right) \neq y_i\right)\right) E ( I ( h ( x i ) = y i ) )
(泛化误差表示样本空间中任取一个样本, 其预测类别不等于真实类别的 概率),
当假设 h h h 确定时, 泛化误差固定不变, 因此可记为
E ( h ) = 1 m ∑ i = 1 m E ( I ( h ( x i ) ≠ y i ) ) E(h)=\frac{1}{m} \sum_{i=1}^m \mathbb{E}\left(\mathbb{I}\left(h\left(\boldsymbol{x}_i\right) \neq y_i\right)\right) E ( h ) = m 1 ∑ i = 1 m E ( I ( h ( x i ) = y i ) )
。
此时, 将 E ^ ( h ) \widehat{E}(h) E ( h ) 和 E ( h ) E(h) E ( h ) 代入式(12.15)到式(12.17),
对比式(12.5)和式(12.6)的 Hoeffding 不等式可知, 式(12.15)对应式(12.5),
式(12.16)与式(12.15)对称, 式(12.17)对应式(12.6)。
12.3.7 式(12.18)的推导
令δ = 2 e − 2 m ϵ 2 \delta=2e^{-2m\epsilon^2} δ = 2 e − 2 m ϵ 2 ,则ϵ = ln ( 2 / δ ) 2 m \epsilon=\sqrt{\frac{\ln(2/\delta)}{2m}} ϵ = 2 m l n ( 2/ δ ) ,由式(12.17)
P ( ∣ E ( h ) − E ^ ( h ) ∣ ⩾ ϵ ) ⩽ 2 exp ( − 2 m ϵ 2 ) P ( ∣ E ( h ) − E ^ ( h ) ∣ ⩾ ϵ ) ⩽ δ P ( ∣ E ( h ) − E ^ ( h ) ∣ ⩽ ϵ ) ⩾ 1 − δ P ( − ϵ ⩽ E ( h ) − E ^ ( h ) ⩽ ϵ ) ⩾ 1 − δ P ( E ^ ( h ) − ϵ ⩽ E ( h ) ⩽ E ^ ( h ) + ϵ ) ⩾ 1 − δ \begin{aligned}
P(|E(h)-\widehat{E}(h)| \geqslant \epsilon) &\leqslant 2 \exp \left(-2 m \epsilon^{2}\right)\\
P(|E(h)-\widehat{E}(h)| \geqslant \epsilon) &\leqslant \delta\\
P(|E(h)-\widehat{E}(h)| \leqslant \epsilon) &\geqslant 1 - \delta\\
P(-\epsilon \leqslant E(h)-\widehat{E}(h) \leqslant \epsilon) &\geqslant 1 - \delta\\
P(\widehat{E}(h) -\epsilon \leqslant E(h) \leqslant \widehat{E}(h)+\epsilon) &\geqslant 1 - \delta\\
\end{aligned} P ( ∣ E ( h ) − E ( h ) ∣ ⩾ ϵ ) P ( ∣ E ( h ) − E ( h ) ∣ ⩾ ϵ ) P ( ∣ E ( h ) − E ( h ) ∣ ⩽ ϵ ) P ( − ϵ ⩽ E ( h ) − E ( h ) ⩽ ϵ ) P ( E ( h ) − ϵ ⩽ E ( h ) ⩽ E ( h ) + ϵ ) ⩽ 2 exp ( − 2 m ϵ 2 ) ⩽ δ ⩾ 1 − δ ⩾ 1 − δ ⩾ 1 − δ
带入 ϵ = ln ( 2 / δ ) 2 m \epsilon=\sqrt{\frac{\ln(2/\delta)}{2m}} ϵ = 2 m l n ( 2/ δ ) 得证。
这个式子进一步阐明了当观测集样本数量足够大的时候,h h h 的经验误差是其泛化误差很好的近似。
12.3.8 式(12.19)的推导
令h 1 , h 2 , … , h ∣ H ∣ h_1,h_2,\dots,h_{\vert\mathcal{H}\vert} h 1 , h 2 , … , h ∣ H ∣ 表示假设空间H \mathcal{H} H 中的假设,有
P ( ∃ h ∈ H : ∣ E ( h ) − E ^ ( h ) ∣ > ϵ ) = P ( ( ∣ E h 1 − E ^ h 1 ∣ > ϵ ) ∨ … ∨ ( ∣ E h ∣ H ∣ − E ^ h ∣ H ∣ ∣ > ϵ ) ) ⩽ ∑ h ∈ H P ( ∣ E ( h ) − E ^ ( h ) ∣ > ϵ ) \begin{aligned}
& P(\exists h \in \mathcal{H}:|E(h)-\widehat{E}(h)|>\epsilon) \\
=& P\left(\left(\left|E_{h_{1}}-\widehat{E}_{h_{1}}\right|>\epsilon\right) \vee \ldots \vee\left(| E_{h_{|\mathcal{H}|}}-\widehat{E}_{h_{|\mathcal{H}|} |>\epsilon}\right)\right) \\ \leqslant & \sum_{h \in \mathcal{H}} P(|E(h)-\widehat{E}(h)|>\epsilon)
\end{aligned} = ⩽ P ( ∃ h ∈ H : ∣ E ( h ) − E ( h ) ∣ > ϵ ) P ( ( E h 1 − E h 1 > ϵ ) ∨ … ∨ ( ∣ E h ∣ H ∣ − E h ∣ H ∣ ∣ > ϵ ) ) h ∈ H ∑ P ( ∣ E ( h ) − E ( h ) ∣ > ϵ )
这一步是很好理解的,存在一个假设h h h 使得∣ E ( h ) − E ^ ( h ) ∣ > ϵ |E(h)-\widehat{E}(h)|>\epsilon ∣ E ( h ) − E ( h ) ∣ > ϵ 的概率可以表示为对假设空间内所有的假设h i , i ∈ 1 , … , ∣ H ∣ h_i, i\in 1,\dots,\vert\mathcal{H}\vert h i , i ∈ 1 , … , ∣ H ∣ ,使得∣ E h i − E ^ h i ∣ > ϵ \left|E_{h_{i}}-\widehat{E}_{h_{i}}\right|>\epsilon E h i − E h i > ϵ 这个事件成立的"或"事件。因为P ( A ∨ B ) = P ( A ) + P ( B ) − P ( A ∧ B ) P(A\vee B)=P(A) + P(B) - P(A\wedge B) P ( A ∨ B ) = P ( A ) + P ( B ) − P ( A ∧ B ) ,而P ( A ∧ B ) ⩾ 0 P(A\wedge B)\geqslant 0 P ( A ∧ B ) ⩾ 0 ,所以最后一行的不等式成立。
由式12.17:
P ( ∣ E ( h ) − E ^ ( h ) ∣ ⩾ ϵ ) ⩽ 2 exp ( − 2 m ϵ 2 ) ⇒ ∑ h ∈ H P ( ∣ E ( h ) − E ^ ( h ) ∣ > ϵ ) ⩽ 2 ∣ H ∣ exp ( − 2 m ϵ 2 ) \begin{aligned}
&P(|E(h)-\widehat{E}(h)| \geqslant \epsilon) \leqslant 2 \exp \left(-2 m \epsilon^{2}\right)\\
&\Rightarrow \sum_{h \in \mathcal{H}} P(|E(h)-\widehat{E}(h)|>\epsilon) \leqslant 2|\mathcal{H}| \exp \left(-2 m \epsilon^{2}\right)
\end{aligned} P ( ∣ E ( h ) − E ( h ) ∣ ⩾ ϵ ) ⩽ 2 exp ( − 2 m ϵ 2 ) ⇒ h ∈ H ∑ P ( ∣ E ( h ) − E ( h ) ∣ > ϵ ) ⩽ 2∣ H ∣ exp ( − 2 m ϵ 2 )
因此:
P ( ∃ h ∈ H : ∣ E ( h ) − E ^ ( h ) ∣ > ϵ ) ⩽ ∑ h ∈ H P ( ∣ E ( h ) − E ^ ( h ) ∣ > ϵ ) ⩽ 2 ∣ H ∣ exp ( − 2 m ϵ 2 ) \begin{aligned}
P(\exists h \in \mathcal{H}:|E(h)-\widehat{E}(h)|>\epsilon)
&\leqslant \sum_{h \in \mathcal{H}} P(|E(h)-\widehat{E}(h)|>\epsilon)\\
&\leqslant 2|\mathcal{H}| \exp \left(-2 m \epsilon^{2}\right)
\end{aligned} P ( ∃ h ∈ H : ∣ E ( h ) − E ( h ) ∣ > ϵ ) ⩽ h ∈ H ∑ P ( ∣ E ( h ) − E ( h ) ∣ > ϵ ) ⩽ 2∣ H ∣ exp ( − 2 m ϵ 2 )
其对立事件:
P ( ∀ h ∈ H : ∣ E ( h ) − E ^ ( h ) ∣ ⩽ ϵ ) = 1 − P ( ∃ h ∈ H : ∣ E ( h ) − E ^ ( h ) ∣ > ϵ ) ⩾ 1 − 2 ∣ H ∣ exp ( − 2 m ϵ 2 ) \begin{aligned}
P(\forall h\in\mathcal{H}:\vert E(h)-\widehat{E}(h)\vert\leqslant\epsilon)&=1-P(\exists h \in \mathcal{H}:|E(h)-\widehat{E}(h)|>\epsilon)\\ &\geqslant 1- 2|\mathcal{H}| \exp \left(-2 m \epsilon^{2}\right)
\end{aligned} P ( ∀ h ∈ H : ∣ E ( h ) − E ( h ) ∣ ⩽ ϵ ) = 1 − P ( ∃ h ∈ H : ∣ E ( h ) − E ( h ) ∣ > ϵ ) ⩾ 1 − 2∣ H ∣ exp ( − 2 m ϵ 2 )
令δ = 2 ∣ H ∣ e − 2 m ϵ 2 \delta=2\vert\mathcal{H}\vert e^{-2m\epsilon^2} δ = 2∣ H ∣ e − 2 m ϵ 2 ,则ϵ = ln ∣ H ∣ + ln ( 2 / δ ) 2 m \epsilon=\sqrt{\frac{\ln |\mathcal{H}|+\ln (2 / \delta)}{2 m}} ϵ = 2 m l n ∣ H ∣ + l n ( 2/ δ ) ,带入上式中即可得到
P ( ∀ h ∈ H : ∣ E ( h ) − E ^ ( h ) ∣ ⩽ ln ∣ H ∣ + ln ( 2 / δ ) 2 m ) ⩾ 1 − δ P\left(\forall h\in\mathcal{H}:\vert E(h)-\widehat{E}(h)\vert\leqslant\sqrt{\frac{\ln |\mathcal{H}|+\ln (2 / \delta)}{2 m}}\right)\geqslant 1- \delta P ( ∀ h ∈ H : ∣ E ( h ) − E ( h ) ∣ ⩽ 2 m ln ∣ H ∣ + ln ( 2/ δ ) ) ⩾ 1 − δ
其中∀ h ∈ H \forall h\in\mathcal{H} ∀ h ∈ H 这个前置条件可以省略。
12.3.9 式(12.20)的解释
这个式子是"不可知PAC可学习"的定义式,不可知是指当目标概念c c c 不在算法L \mathcal{L} L 所能生成的假设空间H \mathcal{H} H 里。可学习是指如果H \mathcal{H} H 中泛化误差最小的假设是arg min h ∈ H E ( h ) \arg\min_{h\in \mathcal{H}}E(h) arg min h ∈ H E ( h ) ,且这个假设的泛化误差满足其与目标概念的泛化误差的差值不大于ϵ \epsilon ϵ 的概率不小于1 − δ 1-\delta 1 − δ 。我们称这样的假设空间H \mathcal{H} H 是不可知PAC可学习的。
12.4 VC维
不同于12.3节的有限假设空间,从本节开始,本章剩余内容均针对无限假设空间。
12.4.1 式(12.21)的解释
这个是增长函数的定义式。增长函数Π H ( m ) \Pi_{\mathcal{H}}(m) Π H ( m ) 表示假设空间H \mathcal{H} H 对m个样本所能赋予标签的最大可能的结果数。比如对于两个样本的二分类问题,一共有4中可能的标签组合[ [ 0 , 0 ] , [ 0 , 1 ] , [ 1 , 0 ] , [ 1 , 1 ] ] [[0, 0], [0, 1], [1, 0], [1, 1]] [[ 0 , 0 ] , [ 0 , 1 ] , [ 1 , 0 ] , [ 1 , 1 ]] ,如果假设空间H 1 \mathcal{H}_1 H 1 能赋予这两个样本两种标签组合[ [ 0 , 0 ] , [ 1 , 1 ] ] [[0, 0], [1, 1]] [[ 0 , 0 ] , [ 1 , 1 ]] ,则Π H 1 ( 2 ) = 2 \Pi_{\mathcal{H}_1}(2)=2 Π H 1 ( 2 ) = 2 。显然,H \mathcal{H} H 对样本所能赋予标签的可能结果数越多,H \mathcal{H} H 的表示能力就越强。增长函数可以用来反映假设空间H \mathcal{H} H 的复杂度。
12.4.2 式(12.22)的解释
值得指出的是,这个式子的前提假设有误,应当写成对假设空间H \mathcal{H} H ,m ∈ N m\in\mathbb{N} m ∈ N ,0 < ϵ < 1 0<\epsilon<1 0 < ϵ < 1 ,存在h ∈ H h\in\mathcal{H} h ∈ H
详细证明参见原论文 On the uniform convergence of relative frequencies of
events to their probabilities
[2],在该论文中,定理的形式如下:
Theorem 2 The probability that the relative frequency of at least one
event in class S S S differs from its probability in an experiment of size
l by more then ε \varepsilon ε , for l ≧ 2 / ε 2 l \geqq 2 / \varepsilon^2 l ≧ 2/ ε 2 , satisfies
the inequality
P ( π ( l ) > ε ) ≦ 4 m S ( 2 l ) e − ε 2 l / 8 . \mathbf{P}\left(\pi^{(l)}>\varepsilon\right) \leqq 4 m^S(2 l) e^{-\varepsilon^2 l / 8} . P ( π ( l ) > ε ) ≦ 4 m S ( 2 l ) e − ε 2 l /8 .
注意定理描述中使用的是"at least one event in class S", 因此应该是 class
S 中"存在"one event 而不是 class S 中的 "任意" event。
另外, 该定理为基于增长函数对无限假设空间的泛化误差分析,
与上一节有限假设空间 的定理 12.1。在证明定理 12.1 12.1 12.1 的式(12.19)过程中,
实际证明的结论是
P ( ∃ h ∈ H : ∣ E ( h ) − E ^ ( h ) ∣ > ϵ ) ⩽ 2 ∣ H ∣ e − 2 m ϵ 2 P(\exists h \in \mathcal{H}:|E(h)-\widehat{E}(h)|>\epsilon) \leqslant 2|\mathcal{H}| e^{-2 m \epsilon^2} P ( ∃ h ∈ H : ∣ E ( h ) − E ( h ) ∣ > ϵ ) ⩽ 2∣ H ∣ e − 2 m ϵ 2
根据该结论可得式(12.19)的原型(式(12.19)就是将 ϵ \epsilon ϵ 用 δ \delta δ
表示):
P ( ∀ h ∈ H : ∣ E ( h ) − E ^ ( h ) ∣ ⩽ ϵ ) ⩽ 1 − 2 ∣ H ∣ e − 2 m ϵ 2 P(\forall h \in \mathcal{H}:|E(h)-\widehat{E}(h)| \leqslant \epsilon) \leqslant 1-2|\mathcal{H}| e^{-2 m \epsilon^2} P ( ∀ h ∈ H : ∣ E ( h ) − E ( h ) ∣ ⩽ ϵ ) ⩽ 1 − 2∣ H ∣ e − 2 m ϵ 2
这是因为事件 ∃ h ∈ H : ∣ E ( h ) − E ^ ( h ) ∣ > ϵ \exists h \in \mathcal{H}:|E(h)-\widehat{E}(h)|>\epsilon ∃ h ∈ H : ∣ E ( h ) − E ( h ) ∣ > ϵ
与事件
∀ h ∈ H : ∣ E ( h ) − E ^ ( h ) ∣ ⩽ ϵ \forall h \in \mathcal{H}:|E(h)-\widehat{E}(h)| \leqslant \epsilon ∀ h ∈ H : ∣ E ( h ) − E ( h ) ∣ ⩽ ϵ
为对立事件。
注意到当使用 ∣ E ( h ) − E ^ ( h ) ∣ > ϵ |E(h)-\widehat{E}(h)|>\epsilon ∣ E ( h ) − E ( h ) ∣ > ϵ 表达时对应于 "存在",
当使用 ∣ E ( h ) − E ^ ( h ) ∣ ⩽ ϵ |E(h)-\widehat{E}(h)| \leqslant \epsilon ∣ E ( h ) − E ( h ) ∣ ⩽ ϵ 表达时 则对应于
"任意"。
综上所述, 式(12.22)使用 ∣ E ( h ) − E ^ ( h ) ∣ > ϵ |E(h)-\widehat{E}(h)|>\epsilon ∣ E ( h ) − E ( h ) ∣ > ϵ ,
所以这里应该对应于 "存在"。
12.4.3 式(12.23)的解释
这是VC维的定义式:VC维的定义是能被H \mathcal{H} H 打散的最大示例集的大小。"西瓜书"中例12.1和例12.2
给出了形象的例子。
式(12.23)中的 { m : Π H ( m ) = 2 m } \left\{m: \Pi_{\mathcal{H}}(m)=2^m\right\} { m : Π H ( m ) = 2 m } 表示一个集合,
集合的元素是能使 Π H ( m ) = 2 m \Pi_{\mathcal{H}}(m)=2^m Π H ( m ) = 2 m 成立 的所有 m m m ; 最外层的
max表示取集合的最大值。注意,
这里仅讨论二分类问题。注意,VC维的定义式上的底数2表示这个问题是2分类的问题。如果是n n n 分类的问题,那么定义式中底数需要变为n n n 。
V C \mathrm{VC} VC 维的概念还是很容易理解的,
有个常见的思维误区西瓜书也指出来了, 即 "这并不 意味着所有大小为 d d d
的示例集都能被假设空间 H \mathcal{H} H 打散", 也就是说只要 "存在大小为 d d d
的示例 集能被假设空间 H打散" 即可, 这里的区别与前面 "定理 12.2 12.2 12.2 的解释"
中提到的 "任意" 与 "存在" 的关系一样。
12.4.4 引理12.2的解释
首先解释下数学归纳法的起始条件"当m = 1 , d = 0 m=1, d=0 m = 1 , d = 0 或d = 1 d=1 d = 1 时,定理成立",当m = 1 , d = 0 m=1,d=0 m = 1 , d = 0 时,由VC维的定义(式12.23)
V C ( H ) = max { m : Π H ( m ) = 2 m } = 0 \mathrm{VC}(\mathcal{H})=\max \left\{m: \Pi_{\mathcal{H}}(m)=2^{m}\right\}=0 VC ( H ) = max { m : Π H ( m ) = 2 m } = 0
可知Π H ( 1 ) < 2 \Pi_{\mathcal{H}}(1)<2 Π H ( 1 ) < 2 ,否则d d d 可以取到1,又因为Π H ( m ) \Pi_{\mathcal{H}}(m) Π H ( m ) 为整数,所以Π H ( 1 ) ∈ [ 0 , 1 ] \Pi_{\mathcal{H}}(1)\in[0, 1] Π H ( 1 ) ∈ [ 0 , 1 ] ,式12.24右边为∑ i = 0 0 ( 1 i ) = 1 \sum_{i=0}^{0}\left(\begin{array}{c}{1} \\ {i}\end{array}\right)=1 ∑ i = 0 0 ( 1 i ) = 1 ,因此不等式成立。当m = 1 , d = 1 m=1,d=1 m = 1 , d = 1 时,因为一个样本最多只能有两个类别,所以Π H ( 1 ) = 2 \Pi_\mathcal{H}(1)=2 Π H ( 1 ) = 2 ,不等式右边为∑ i = 0 1 ( 1 i ) = 2 \sum_{i=0}^{1}\left(\begin{array}{c}{1} \\ {i}\end{array}\right)=2 ∑ i = 0 1 ( 1 i ) = 2 ,因此不等式成立。
再介绍归纳过程,这里采样的归纳方法是假设式(12.24)对( m − 1 , d − 1 ) (m-1, d-1) ( m − 1 , d − 1 ) 和( m − 1 , d ) (m-1, d) ( m − 1 , d ) 成立,推导出其对( m , d ) (m,d) ( m , d ) 也成立。证明过程中引入观测集D = { x 1 , x 2 , … , x m } D=\left\{\boldsymbol{x}_{1}, \boldsymbol{x}_{2}, \ldots, \boldsymbol{x}_{m}\right\} D = { x 1 , x 2 , … , x m }
和观测集D ′ = { x 1 , x 2 , … , x m − 1 } D^\prime=\left\{\boldsymbol{x}_{1}, \boldsymbol{x}_{2}, \ldots, \boldsymbol{x}_{m-1}\right\} D ′ = { x 1 , x 2 , … , x m − 1 } ,其中D D D 比D ′ D^\prime D ′ 多一个样本x m x_m x m ,它们对应的假设空间可以表示为:
H ∣ D = { ( h ( x 1 ) , h ( x 2 ) , … , h ( x m ) ) ∣ h ∈ H } H ∣ D ′ = { ( h ( x 1 ) , h ( x 2 ) , … , h ( x m − 1 ) ) ∣ h ∈ H } \begin{array}{l}{\mathcal{H}_{| D}=\left\{\left(h\left(\boldsymbol{x}_{1}\right), h\left(\boldsymbol{x}_{2}\right), \ldots, h\left(\boldsymbol{x}_{m}\right)\right) | h \in \mathcal{H}\right\}} \\ {\mathcal{H}_{| D^{\prime}}=\left\{\left(h\left(\boldsymbol{x}_{1}\right), h\left(\boldsymbol{x}_{2}\right), \ldots, h\left(\boldsymbol{x}_{m-1}\right)\right) | h \in \mathcal{H}\right\}}\end{array} H ∣ D = { ( h ( x 1 ) , h ( x 2 ) , … , h ( x m ) ) ∣ h ∈ H } H ∣ D ′ = { ( h ( x 1 ) , h ( x 2 ) , … , h ( x m − 1 ) ) ∣ h ∈ H }
如果假设h ∈ H h\in\mathcal{H} h ∈ H 对x m x_m x m 的分类结果为+ 1 +1 + 1 ,或为− 1 -1 − 1 ,那么任何出现在H ∣ D ′ \mathcal{H}_{\vert D^\prime} H ∣ D ′ 中的串都会在H ∣ D \mathcal{H}_{\vert D} H ∣ D 中出现一次或者两次。这里举个例子就很容易理解了,假设m = 3 m=3 m = 3 :
H ∣ D = { ( + , − , − ) , ( + , + , − ) , ( + , + , + ) , ( − , + , − ) , ( − , − , + ) } H ∣ D ′ = { ( + , + ) , ( + , − ) , ( − , + ) , ( − , − ) } \begin{aligned}
\mathcal{H}_{\vert D}&=\{(+,-,-),(+,+,-),(+,+,+),(-,+,-),(-,-,+)\}\\
\mathcal{H}_{\vert D^\prime}&=\{(+,+),(+,-),(-,+),(-,-)\}\\
\end{aligned} H ∣ D H ∣ D ′ = {( + , − , − ) , ( + , + , − ) , ( + , + , + ) , ( − , + , − ) , ( − , − , + )} = {( + , + ) , ( + , − ) , ( − , + ) , ( − , − )}
其中串( + , + ) (+,+) ( + , + ) 在H ∣ D \mathcal{H}_{\vert D} H ∣ D 中出现了两次( + , + , + ) , ( + , + , − ) (+, +, +), (+, +, -) ( + , + , + ) , ( + , + , − ) ,H ∣ D ′ \mathcal{H}_{\vert D^\prime} H ∣ D ′ 中得其他串( + , − ) , ( − , + ) , ( − , − ) (+,-), (-, +), (-, -) ( + , − ) , ( − , + ) , ( − , − ) 均只在H ∣ D \mathcal{H}_{\vert D} H ∣ D 中出现了一次。这里的原因是每个样本是二分类的,所以多出的样本x m x_m x m 要么取+ + + ,要么取− - − ,要么都取到(至少两个假设h h h 对x m x_m x m 做出了不一致的判断)。
记号H D ′ ∣ D \mathcal{H}_{D^\prime\vert D} H D ′ ∣ D 表示在H ∣ D \mathcal{H}_{\vert D} H ∣ D 中出现了两次的H ∣ D ′ \mathcal{H}_{\vert D^\prime} H ∣ D ′ 组成的集合,比如在上例中H D ′ ∣ D = { ( + , + ) } \mathcal{H}_{D^\prime\vert D}=\{(+,+)\} H D ′ ∣ D = {( + , + )} ,有
∣ H ∣ D ∣ = ∣ H ∣ D ′ ∣ + ∣ H D ′ ∣ D ∣ \left|\mathcal{H}_{| D}\right|=\left|\mathcal{H}_{| D^{\prime}}\right|+\left|\mathcal{H}_{D^{\prime} | D}\right| H ∣ D = H ∣ D ′ + H D ′ ∣ D
由于H ∣ D ′ \mathcal{H}_{\vert D^\prime} H ∣ D ′ 表示限制在样本集D ′ D^\prime D ′ 上的假设空间H \mathcal{H} H 的表达能力(即所有假设对样本集D ′ D^\prime D ′ 所能赋予的标记种类数),样本集D ′ D^\prime D ′ 的数目为m − 1 m-1 m − 1 ,根据增长函数的定义,假设空间H \mathcal{H} H 对包含m − 1 m-1 m − 1 个样本的集合所能赋予的最大标记种类数为Π H ( m − 1 ) \Pi_{\mathcal{H}}(m-1) Π H ( m − 1 ) ,因此∣ H ∣ D ′ ∣ ⩽ Π H ( m − 1 ) \vert\mathcal{H}_{\vert D^\prime}\vert \leqslant \Pi_\mathcal{H}(m-1) ∣ H ∣ D ′ ∣ ⩽ Π H ( m − 1 ) 。又根据数学归纳法的前提假设,有:
∣ H ∣ D ′ ∣ ⩽ Π H ( m − 1 ) ⩽ ∑ i = 0 d ( m − 1 i ) \left|\mathcal{H}_{| D^{\prime}}\right| \leqslant \Pi_{\mathcal{H}}(m-1) \leqslant \sum_{i=0}^{d}\left(\begin{array}{c}{m-1} \\ {i}\end{array}\right) H ∣ D ′ ⩽ Π H ( m − 1 ) ⩽ i = 0 ∑ d ( m − 1 i )
由记号H ∣ D ′ \mathcal{H}_{\vert D^\prime} H ∣ D ′ 的定义可知,∣ H ∣ D ′ ∣ ⩾ ⌊ ∣ H ∣ D ∣ 2 ⌋ \vert\mathcal{H}_{\vert D^\prime}\vert \geqslant \left\lfloor\frac{\vert\mathcal{H}_{\vert D}\vert}{2}\right\rfloor ∣ H ∣ D ′ ∣ ⩾ ⌊ 2 ∣ H ∣ D ∣ ⌋ ,又由于∣ H ∣ D ′ ∣ \vert\mathcal{H}_{\vert D^\prime}\vert ∣ H ∣ D ′ ∣ 和∣ H D ′ ∣ D ∣ \vert\mathcal{H}_{D^\prime\vert D}\vert ∣ H D ′ ∣ D ∣ 均为整数,因此∣ H D ′ ∣ D ∣ ⩽ ⌊ ∣ H ∣ D ∣ 2 ⌋ \vert\mathcal{H}_{D^\prime\vert D}\vert \leqslant \left\lfloor\frac{\vert\mathcal{H}_{\vert D}\vert}{2}\right\rfloor ∣ H D ′ ∣ D ∣ ⩽ ⌊ 2 ∣ H ∣ D ∣ ⌋ ,由于样本集D D D 的大小为m m m ,根据增长函数的概念,有∣ H D ′ ∣ D ∣ ⩽ ⌊ ∣ H ∣ D ∣ 2 ⌋ ⩽ Π H ( m − 1 ) \left|\mathcal{H}_{D^{\prime}| D}\right| \leqslant \left\lfloor\frac{\vert\mathcal{H}_{\vert D}\vert}{2}\right\rfloor\leqslant \Pi_{\mathcal{H}}(m-1) H D ′ ∣ D ⩽ ⌊ 2 ∣ H ∣ D ∣ ⌋ ⩽ Π H ( m − 1 ) 。
假设Q Q Q 表示能被H D ′ ∣ D \mathcal{H}_{D^\prime\vert D} H D ′ ∣ D 打散的集合,因为根据H D ′ ∣ D \mathcal{H}_{D^\prime\vert D} H D ′ ∣ D 的定义,H D H_{D} H D 必对元素x m x_m x m 给定了不一致的判定,因此Q ∪ { x m } Q \cup\left\{\boldsymbol{x}_{m}\right\} Q ∪ { x m } 必能被H ∣ D \mathcal{H}_{\vert D} H ∣ D 打散,由前提假设H \mathcal{H} H 的VC维为d d d ,因此H D ′ ∣ D \mathcal{H}_{D^\prime\vert D} H D ′ ∣ D 的VC维最大为d − 1 d-1 d − 1 ,综上有
∣ H D ′ ∣ D ∣ ⩽ Π H ( m − 1 ) ⩽ ∑ i = 0 d − 1 ( m − 1 i ) \left|\mathcal{H}_{D^{\prime}| D}\right| \leqslant \Pi_{\mathcal{H}}(m-1) \leqslant \sum_{i=0}^{d-1}\left(\begin{array}{c}{m-1} \\ {i}\end{array}\right) H D ′ ∣ D ⩽ Π H ( m − 1 ) ⩽ i = 0 ∑ d − 1 ( m − 1 i )
因此:
∣ H ∣ D ∣ = ∣ H ∣ D ′ ∣ + ∣ H D ′ ∣ D ∣ ⩽ ∑ i = 0 d ( m − 1 i ) + ∑ i = 0 d + 1 ( m − 1 i ) = ∑ i = 0 d ( ( m − 1 i ) + ( m − 1 i − 1 ) ) = ∑ i = 0 d ( m i ) \begin{aligned}
\left|\mathcal{H}_{| D}\right|&=\left|\mathcal{H}_{| D^{\prime}}\right|+\left|\mathcal{H}_{D^{\prime} | D}\right|\\
&\leqslant \sum_{i=0}^{d}\left(\begin{array}{c}{m-1} \\ {i}\end{array}\right) + \sum_{i=0}^{d+1}\left(\begin{array}{c}{m-1} \\ {i}\end{array}\right)\\
&=\sum_{i=0}^d \left(\left(\begin{array}{c}{m-1} \\ {i}\end{array}\right) + \left(\begin{array}{c}{m-1} \\ {i-1}\end{array}\right)\right)\\
&=\sum_{i=0}^{d}\left(\begin{array}{c}{m} \\ {i}\end{array}\right)
\end{aligned} H ∣ D = H ∣ D ′ + H D ′ ∣ D ⩽ i = 0 ∑ d ( m − 1 i ) + i = 0 ∑ d + 1 ( m − 1 i ) = i = 0 ∑ d ( ( m − 1 i ) + ( m − 1 i − 1 ) ) = i = 0 ∑ d ( m i )
注:最后一步依据组合公式,推导如下:
( m − 1 i ) + ( m − 1 i − 1 ) = ( m − 1 ) ! ( m − 1 − i ) ! i ! + ( m − 1 ) ! ( m − 1 − i + 1 ) ! ( i − 1 ) ! = ( m − 1 ) ! ( m − i ) ( m − i ) ( m − 1 − i ) ! i ! + ( m − 1 ) ! i ( m − i ) ! ( i − 1 ) ! i = ( m − 1 ) ! ( m − i ) + ( m − 1 ) ! i ( m − i ) ! i ! = ( m − 1 ) ! ( m − i + i ) ( m − i ) ! i ! = ( m − 1 ) ! m ( m − i ) ! i ! = m ! ( m − i ) ! i ! = ( m i ) \begin{aligned}\left(\begin{array}{c}{m-1} \\ {i}\end{array}\right)+\left(\begin{array}{c}{m-1} \\ {i-1}\end{array}\right) &=\frac{(m-1) !}{(m-1-i) ! i !}+\frac{(m-1) !}{(m-1-i+1) !(i-1) !} \\ &=\frac{(m-1) !(m-i)}{(m-i)(m-1-i) ! i !}+\frac{(m-1) ! i}{(m-i) !(i-1) ! i} \\ &=\frac{(m-1) !(m-i)+(m-1) ! i}{(m-i) ! i !} \\ &=\frac{(m-1) !(m-i+i)}{(m-i) ! i !}=\frac{(m-1) ! m}{(m-i) ! i !} \\ &=\frac{m !}{(m-i) ! i !}=\left(\begin{array}{c}{m} \\ {i}\end{array}\right) \end{aligned} ( m − 1 i ) + ( m − 1 i − 1 ) = ( m − 1 − i )! i ! ( m − 1 )! + ( m − 1 − i + 1 )! ( i − 1 )! ( m − 1 )! = ( m − i ) ( m − 1 − i )! i ! ( m − 1 )! ( m − i ) + ( m − i )! ( i − 1 )! i ( m − 1 )! i = ( m − i )! i ! ( m − 1 )! ( m − i ) + ( m − 1 )! i = ( m − i )! i ! ( m − 1 )! ( m − i + i ) = ( m − i )! i ! ( m − 1 )! m = ( m − i )! i ! m ! = ( m i )
12.4.5 式(12.28)的解释
Π H ( m ) ⩽ ∑ i = 0 d ( m i ) ⩽ ∑ i = 0 d ( m i ) ( m d ) d − i = ( m d ) d ∑ i = 0 d ( m i ) ( d m ) i ⩽ ( m d ) d ∑ i = 0 m ( m i ) ( d m ) i = ( m d ) d ( 1 + d m ) m < ( e ⋅ m d ) d \begin{aligned} \Pi_{\mathcal{H}}(m) & \leqslant \sum_{i=0}^{d}\left(\begin{array}{c}{m} \\ {i}\end{array}\right) \\ & \leqslant \sum_{i=0}^{d}\left(\begin{array}{c}{m} \\ {i}\end{array}\right)\left(\frac{m}{d}\right)^{d-i} \\ &=\left(\frac{m}{d}\right)^{d} \sum_{i=0}^{d}\left(\begin{array}{c}{m} \\ {i}\end{array}\right)\left(\frac{d}{m}\right)^{i} \\ & \leqslant\left(\frac{m}{d}\right)^{d} \sum_{i=0}^{m}\left(\begin{array}{c}{m} \\ {i}\end{array}\right)\left(\frac{d}{m}\right)^{i} \\
&={\left(\frac{m}{d}\right)}^d{\left(1+\frac{d}{m}\right)}^m\\
&<\left(\frac{e \cdot m}{d}\right)^{d} \end{aligned} Π H ( m ) ⩽ i = 0 ∑ d ( m i ) ⩽ i = 0 ∑ d ( m i ) ( d m ) d − i = ( d m ) d i = 0 ∑ d ( m i ) ( m d ) i ⩽ ( d m ) d i = 0 ∑ m ( m i ) ( m d ) i = ( d m ) d ( 1 + m d ) m < ( d e ⋅ m ) d
第一步到第二步和第三步到第四步均因为m ⩾ d m\geqslant d m ⩾ d ,第四步到第五步是由于二项式定理[3]:( x + y ) n = ∑ k = 0 n ( n k ) x n − k y k (x+y)^{n}=\sum_{k=0}^{n}\left(\begin{array}{l}{n} \\ {k}\end{array}\right) x^{n-k} y^{k} ( x + y ) n = ∑ k = 0 n ( n k ) x n − k y k ,其中令k = i , n = m , x = 1 , y = d m k=i, n=m, x=1, y = \frac{d}{m} k = i , n = m , x = 1 , y = m d 得( m d ) d ∑ i = 0 m ( m i ) ( d m ) i = ( m d ) d ( 1 + d m ) m \left(\frac{m}{d}\right)^{d} \sum_{i=0}^{m}\left(\begin{array}{c}{m} \\ {i}\end{array}\right)\left(\frac{d}{m}\right)^{i}=\left(\frac{m}{d}\right)^{d} (1+\frac{d}{m})^m ( d m ) d ∑ i = 0 m ( m i ) ( m d ) i = ( d m ) d ( 1 + m d ) m ,最后一步的不等式即需证明( 1 + d m ) m ⩽ e d {\left(1+\frac{d}{m}\right)}^m\leqslant e^d ( 1 + m d ) m ⩽ e d ,因为( 1 + d m ) m = ( 1 + d m ) m d d {\left(1+\frac{d}{m}\right)}^m={\left(1+\frac{d}{m}\right)}^{\frac{m}{d}d} ( 1 + m d ) m = ( 1 + m d ) d m d ,根据自然对数底数e e e 的定义[4],( 1 + d m ) m d d < e d {\left(1+\frac{d}{m}\right)}^{\frac{m}{d}d}< e^d ( 1 + m d ) d m d < e d ,注意原文中用的是⩽ \leqslant ⩽ ,但是由于e = lim d m → 0 ( 1 + d m ) m d e=\lim _{\frac{d}{m} \rightarrow 0}\left(1+\frac{d}{m}\right)^{\frac{m}{d}} e = lim m d → 0 ( 1 + m d ) d m 的定义是一个极限,所以应该是用< < < 。
12.4.6 式(12.29)的解释
这里应该是作者的笔误,根据式12.22,E ( h ) − E ^ ( h ) E(h)-\widehat{E}(h) E ( h ) − E ( h ) 应当被绝对值符号包裹。将式12.28带入式12.22得
P ( ∣ E ( h ) − E ^ ( h ) ∣ > ϵ ) ⩽ 4 ( 2 e m d ) d exp ( − m ϵ 2 8 ) P\left(\vert
E(h)-\widehat{E}(h) \vert> \epsilon
\right)
\leqslant 4{\left(\frac{2em}{d}\right)}^d\exp\left(-\frac{m\epsilon^2}{8}\right) P ( ∣ E ( h ) − E ( h ) ∣ > ϵ ) ⩽ 4 ( d 2 e m ) d exp ( − 8 m ϵ 2 )
令4 ( 2 e m d ) d exp ( − m ϵ 2 8 ) = δ 4{\left(\frac{2em}{d}\right)}^d\exp\left(-\frac{m\epsilon^2}{8}\right)=\delta 4 ( d 2 e m ) d exp ( − 8 m ϵ 2 ) = δ 可解得
δ = 8 d ln 2 e m d + 8 ln 4 δ m \delta=\sqrt{
\frac{8d\ln\frac{2em}{d}+8\ln\frac{4}{\delta}}{m}
} δ = m 8 d ln d 2 e m + 8 ln δ 4
带入式12.22,则定理得证。这个式子是用VC维表示泛化界,可以看出,泛化误差界只与样本数量m m m 有关,收敛速率为ln m m \sqrt{\frac{\ln m}{m}} m l n m
(书上简化为1 m \frac{1}{\sqrt{m}} m 1 )。
12.4.7 式(12.30)的解释
这个是经验风险最小化的定义式。即从假设空间中找出能使经验风险最小的假设。
12.4.8 定理12.4的解释
首先回忆PAC可学习的概念,见定义12.2,而可知/不可知PAC可学习之间的区别仅仅在于概念类c c c 是否包含于假设空间H \mathcal{H} H 中。令
δ ′ = δ 2 ( ln 2 / δ ′ ) 2 m = ϵ 2 \begin{aligned}
\delta^\prime = \frac{\delta}{2} \\
\sqrt{\frac{\left(\ln 2 / \delta^{\prime}\right)}{2 m}}=\frac{\epsilon}{2}
\end{aligned} δ ′ = 2 δ 2 m ( ln 2/ δ ′ ) = 2 ϵ
结合这两个标记的转换,由推论12.1可知:
E ^ ( g ) − ϵ 2 ⩽ E ( g ) ⩽ E ^ ( g ) + ϵ 2 \widehat{E}(g)-\frac{\epsilon}{2} \leqslant E(g) \leqslant \widehat{E}(g)+\frac{\epsilon}{2} E ( g ) − 2 ϵ ⩽ E ( g ) ⩽ E ( g ) + 2 ϵ
至少以1 − δ / 2 1-\delta/2 1 − δ /2 的概率成立。写成概率的形式即:
P ( ∣ E ( g ) − E ^ ( g ) ∣ ⩽ ϵ 2 ) ⩾ 1 − δ / 2 P\left(|E(g)-\widehat{E}(g)| \leqslant \frac{\epsilon}{2}\right) \geqslant 1-\delta / 2 P ( ∣ E ( g ) − E ( g ) ∣ ⩽ 2 ϵ ) ⩾ 1 − δ /2
即P ( ( E ( g ) − E ^ ( g ) ⩽ ϵ 2 ) ∧ ( E ( g ) − E ^ ( g ) ⩾ − ϵ 2 ) ) ⩾ 1 − δ / 2 P\left(\left(E(g)-\widehat{E}(g) \leqslant \frac{\epsilon}{2}\right) \wedge\left(E(g)-\widehat{E}(g) \geqslant-\frac{\epsilon}{2}\right)\right) \geqslant 1-\delta / 2 P ( ( E ( g ) − E ( g ) ⩽ 2 ϵ ) ∧ ( E ( g ) − E ( g ) ⩾ − 2 ϵ ) ) ⩾ 1 − δ /2 ,因此P ( E ( g ) − E ^ ( g ) ⩽ ϵ 2 ) ⩾ 1 − δ / 2 P\left(E(g)-\widehat{E}(g) \leqslant \frac{\epsilon}{2}\right) \geqslant 1-\delta / 2 P ( E ( g ) − E ( g ) ⩽ 2 ϵ ) ⩾ 1 − δ /2 且P ( E ( g ) − E ^ ( g ) ⩾ − ϵ 2 ) ⩾ 1 − δ / 2 P\left(E(g)-\widehat{E}(g) \geqslant -\frac{\epsilon}{2}\right) \geqslant 1-\delta / 2 P ( E ( g ) − E ( g ) ⩾ − 2 ϵ ) ⩾ 1 − δ /2 成立。
再令
8 d ln 2 e m d + 8 ln 4 δ ′ m = ϵ 2 \sqrt{\frac{8 d \ln \frac{2 e m}{d}+8 \ln \frac{4}{\delta^{\prime}}}{m}}=\frac{\epsilon}{2} m 8 d ln d 2 e m + 8 ln δ ′ 4 = 2 ϵ
由式12.29可知
P ( ∣ E ( h ) − E ^ ( h ) ∣ ⩽ ϵ 2 ) ⩾ 1 − δ 2 P\left(\left\vert
E(h)-\widehat{E}(h) \right\vert\leqslant \frac{\epsilon}{2}
\right)
\geqslant 1-\frac{\delta}{2} P ( E ( h ) − E ( h ) ⩽ 2 ϵ ) ⩾ 1 − 2 δ
同理,P ( E ( h ) − E ^ ( h ) ⩽ ϵ 2 ) ⩾ 1 − δ / 2 P\left(E(h)-\widehat{E}(h) \leqslant \frac{\epsilon}{2}\right) \geqslant 1-\delta / 2 P ( E ( h ) − E ( h ) ⩽ 2 ϵ ) ⩾ 1 − δ /2 且P ( E ( h ) − E ^ ( h ) ⩾ − ϵ 2 ) ⩾ 1 − δ / 2 P\left(E(h)-\widehat{E}(h) \geqslant -\frac{\epsilon}{2}\right) \geqslant 1-\delta / 2 P ( E ( h ) − E ( h ) ⩾ − 2 ϵ ) ⩾ 1 − δ /2 成立。
由P ( E ( g ) − E ^ ( g ) ⩾ − ϵ 2 ) ⩾ 1 − δ / 2 P\left(E(g)-\widehat{E}(g) \geqslant - \frac{\epsilon}{2}\right) \geqslant 1-\delta / 2 P ( E ( g ) − E ( g ) ⩾ − 2 ϵ ) ⩾ 1 − δ /2 和P ( E ( h ) − E ^ ( h ) ⩽ ϵ 2 ) ⩾ 1 − δ / 2 P\left(E(h)-\widehat{E}(h) \leqslant \frac{\epsilon}{2}\right) \geqslant 1-\delta / 2 P ( E ( h ) − E ( h ) ⩽ 2 ϵ ) ⩾ 1 − δ /2 均成立可知
则事件E ( g ) − E ^ ( g ) ⩾ − ϵ 2 E(g)-\widehat{E}(g) \geqslant -\frac{\epsilon}{2} E ( g ) − E ( g ) ⩾ − 2 ϵ 和事件E ( h ) − E ^ ( h ) ⩽ ϵ 2 E(h)-\widehat{E}(h) \leqslant \frac{\epsilon}{2} E ( h ) − E ( h ) ⩽ 2 ϵ 同时成立的概率为:
P ( ( E ( g ) − E ^ ( g ) ⩾ − ϵ 2 ) ∧ ( E ( h ) − E ^ ( h ) ⩽ ϵ 2 ) ) = P ( E ( g ) − E ^ ( g ) ⩾ − ϵ 2 ) + P ( E ( h ) − E ^ ( h ) ⩽ ϵ 2 ) − P ( ( E ( g ) − E ^ ( g ) ⩾ − ϵ 2 ) ∨ ( E ( h ) − E ^ ( h ) ⩽ ϵ 2 ) ) ⩾ 1 − δ / 2 + 1 − δ / 2 − 1 = 1 − δ \begin{aligned}
&P\left(
\left(E(g)-\widehat{E}(g) \geqslant -\frac{\epsilon}{2} \right)\wedge\left(E(h)-\widehat{E}(h) \leqslant \frac{\epsilon}{2}
\right)\right)
\\= &
P\left(E(g)-\widehat{E}(g) \geqslant -\frac{\epsilon}{2}\right) +
P\left(E(h)-\widehat{E}(h) \leqslant \frac{\epsilon}{2}\right)
- P\left(\left(E(g)-\widehat{E}(g) \geqslant -\frac{\epsilon}{2} \right)\vee\left(E(h)-\widehat{E}(h) \leqslant \frac{\epsilon}{2}
\right)\right)
\\\geqslant &1 - \delta/2 + 1 - \delta/2 - 1
\\=& 1-\delta
\end{aligned} = ⩾ = P ( ( E ( g ) − E ( g ) ⩾ − 2 ϵ ) ∧ ( E ( h ) − E ( h ) ⩽ 2 ϵ ) ) P ( E ( g ) − E ( g ) ⩾ − 2 ϵ ) + P ( E ( h ) − E ( h ) ⩽ 2 ϵ ) − P ( ( E ( g ) − E ( g ) ⩾ − 2 ϵ ) ∨ ( E ( h ) − E ( h ) ⩽ 2 ϵ ) ) 1 − δ /2 + 1 − δ /2 − 1 1 − δ
即
P ( ( E ( g ) − E ^ ( g ) ⩾ − ϵ 2 ) ∧ ( E ( h ) − E ^ ( h ) ⩽ ϵ 2 ) ) ⩾ 1 − δ P\left(
\left(E(g)-\widehat{E}(g) \geqslant -\frac{\epsilon}{2} \right)\wedge\left(E(h)-\widehat{E}(h) \leqslant \frac{\epsilon}{2}
\right)\right) \geqslant 1-\delta P ( ( E ( g ) − E ( g ) ⩾ − 2 ϵ ) ∧ ( E ( h ) − E ( h ) ⩽ 2 ϵ ) ) ⩾ 1 − δ
因此
P ( E ^ ( g ) − E ( g ) + E ( h ) − E ^ ( h ) ⩽ ϵ 2 + ϵ 2 ) = P ( E ( h ) − E ( g ) ⩽ E ^ ( h ) − E ^ ( g ) + ϵ ) ⩾ 1 − δ P\left(
\widehat{E}(g)-E(g)+E(h)-\widehat{E}(h)\leqslant\frac{\epsilon}{2} + \frac{\epsilon}{2}
\right) = P\left(E(h)-E(g)\leqslant\widehat{E}(h)-\widehat{E}(g)+\epsilon\right)
\geqslant 1 - \delta P ( E ( g ) − E ( g ) + E ( h ) − E ( h ) ⩽ 2 ϵ + 2 ϵ ) = P ( E ( h ) − E ( g ) ⩽ E ( h ) − E ( g ) + ϵ ) ⩾ 1 − δ
再由h h h 和g g g 的定义,h h h 表示假设空间中经验误差最小的假设,g g g 表示泛化误差最小的假设,将这两个假设共用作用于样本集D D D ,则一定有E ^ ( h ) ⩽ E ^ ( g ) \widehat{E}(h)\leqslant\widehat{E}(g) E ( h ) ⩽ E ( g ) ,因此上式可以简化为:
P ( E ( h ) − E ( g ) ⩽ ϵ ) ⩾ 1 − δ P\left(E(h)-E(g)\leqslant\epsilon\right)
\geqslant 1 - \delta P ( E ( h ) − E ( g ) ⩽ ϵ ) ⩾ 1 − δ
根据式12.32和式12.34,可以求出m m m 为关于( 1 / ϵ , 1 / δ , size ( x ) , size ( c ) ) \left(1/\epsilon,1/\delta,\text{size}(x),\text{size}(c)\right) ( 1/ ϵ , 1/ δ , size ( x ) , size ( c ) ) 的多项式,因此根据定理12.2,定理12.5,得到结论任何VC维有限的假设空间H \mathcal{H} H 都是(不可知)PAC可学习的。
12.5 Rademacher复杂度
上一节中介绍的基于VC维的泛化误差界是分布无关、数据独立的,本节将要介绍的Rademacher复杂度则在一定程度上考虑了数据分布。
12.5.1 式(12.36)的解释
这里解释从第一步到第二步的推导,因为前提假设是2分类问题,y k ∈ { − 1 , + 1 } y_k\in\{-1, +1\} y k ∈ { − 1 , + 1 } ,因此I ( h ( x i ) ≠ y i ) ≡ 1 − y i h ( x i ) 2 \mathbb{I}\left(h(x_i)\neq y_i\right)\equiv \frac{1-y_i h(x_i)}{2} I ( h ( x i ) = y i ) ≡ 2 1 − y i h ( x i ) 。这是因为假如y i = + 1 , h ( x i ) = + 1 y_i=+1, h(x_i)=+1 y i = + 1 , h ( x i ) = + 1 或y i = − 1 , h ( x i ) = − 1 y_i=-1, h(x_i)=-1 y i = − 1 , h ( x i ) = − 1 ,有I ( h ( x i ) ≠ y i ) = 0 = 1 − y i h ( x i ) 2 \mathbb{I}\left(h(x_i)\neq y_i\right)=0= \frac{1-y_i h(x_i)}{2} I ( h ( x i ) = y i ) = 0 = 2 1 − y i h ( x i ) ;反之,假如y i = − 1 , h ( x i ) = + 1 y_i=-1, h(x_i)=+1 y i = − 1 , h ( x i ) = + 1 或y i = + 1 , h ( x i ) = − 1 y_i=+1, h(x_i)=-1 y i = + 1 , h ( x i ) = − 1 ,有I ( h ( x i ) ≠ y i ) = 1 = 1 − y i h ( x i ) 2 \mathbb{I}\left(h(x_i)\neq y_i\right)=1= \frac{1-y_i h(x_i)}{2} I ( h ( x i ) = y i ) = 1 = 2 1 − y i h ( x i ) 。
12.5.2 式(12.37)的解释
由公式12.36可知,经验误差E ^ ( h ) \widehat{E}(h) E ( h ) 和1 m ∑ i = 1 m y i h ( x i ) \frac{1}{m} \sum_{i=1}^{m} y_{i} h\left(\boldsymbol{x}_{i}\right) m 1 ∑ i = 1 m y i h ( x i ) 呈反比的关系,因此假设空间中能使经验误差最小的假设h h h 即是使1 m ∑ i = 1 m y i h ( x i ) \frac{1}{m} \sum_{i=1}^{m} y_{i} h\left(\boldsymbol{x}_{i}\right) m 1 ∑ i = 1 m y i h ( x i ) 最大的h h h 。
12.5.3 式(12.38)的解释
上确界sup \sup sup 这个概念前面已经解释过,见式(12.7)的解析。相比于式(12.37),
样例真实标记 y i y_i y i 换为了 Rademacher 随机变量
σ i , arg max h ∈ H \sigma_i, \arg \max _{h \in \mathcal{H}} σ i , arg max h ∈ H 换为了 上确界
sup h ∈ H ∘ \sup _{h \in \mathcal{H}^{\circ}} sup h ∈ H ∘ 该式表示, 对于样例集
D = { x 1 , x 2 , … , x m } D=\left\{\boldsymbol{x}_1, \boldsymbol{x}_2, \ldots, \boldsymbol{x}_m\right\} D = { x 1 , x 2 , … , x m } ,
假设空间 H \mathcal{H} H 中的假设对其预 测结果
{ h ( x 1 ) , h ( x 2 ) , … , h ( x m ) } \left\{h\left(\boldsymbol{x}_1\right), h\left(\boldsymbol{x}_2\right), \ldots, h\left(\boldsymbol{x}_m\right)\right\} { h ( x 1 ) , h ( x 2 ) , … , h ( x m ) }
与随机变量集合
σ = { σ 1 , σ 2 , … , σ m } \boldsymbol{\sigma}=\left\{\sigma_1, \sigma_2, \ldots, \sigma_m\right\} σ = { σ 1 , σ 2 , … , σ m }
的契合程度。接下 来解释一下该式的含义。
1 m ∑ i = 1 m σ i h ( x i ) \frac{1}{m} \sum_{i=1}^m \sigma_i h\left(\boldsymbol{x}_i\right) m 1 ∑ i = 1 m σ i h ( x i ) 中的
σ = { σ 1 , σ 2 , … , σ m } \boldsymbol{\sigma}=\left\{\sigma_1, \sigma_2, \ldots, \sigma_m\right\} σ = { σ 1 , σ 2 , … , σ m }
表示单次随机生成的结果(生成后就固定不 动 ), 而
{ h ( x 1 ) , h ( x 2 ) , … , h ( x m ) } \left\{h\left(\boldsymbol{x}_1\right), h\left(\boldsymbol{x}_2\right), \ldots, h\left(\boldsymbol{x}_m\right)\right\} { h ( x 1 ) , h ( x 2 ) , … , h ( x m ) }
表示某个假设 h ∈ H h \in \mathcal{H} h ∈ H 的预测结果, 至于
1 m ∑ i = 1 m σ i h ( x i ) \frac{1}{m} \sum_{i=1}^m \sigma_i h\left(\boldsymbol{x}_i\right) m 1 ∑ i = 1 m σ i h ( x i ) 的
取值则取决于本次随机生成的 σ \sigma σ 和假设 h h h 的预测结果的契合程度。
进一步地,
sup h ∈ H 1 m ∑ i = 1 m σ i h ( x i ) \sup _{h \in \mathcal{H}} \frac{1}{m} \sum_{i=1}^m \sigma_i h\left(\boldsymbol{x}_i\right) sup h ∈ H m 1 ∑ i = 1 m σ i h ( x i )
中的
σ = { σ 1 , σ 2 , … , σ m } \boldsymbol{\sigma}=\left\{\sigma_1, \sigma_2, \ldots, \sigma_m\right\} σ = { σ 1 , σ 2 , … , σ m }
仍表示单次随机生成的结 果 (生成后就固定不动), 但此时需求解的是假设空间
H \mathcal{H} H 中所有假设与 σ \sigma σ 最契合的那个 h h h 。
例如, σ = { − 1 , + 1 , − 1 , + 1 } \boldsymbol{\sigma}=\{-1,+1,-1,+1\} σ = { − 1 , + 1 , − 1 , + 1 } (即 m = 4 m=4 m = 4 , 这里
σ \boldsymbol{\sigma} σ 仅为本次随机生成结果而已, 下次生
成结果可能是另一组结果), 假设空间
H = { h 1 , h 2 , h 3 } \mathcal{H}=\left\{h_1, h_2, h_3\right\} H = { h 1 , h 2 , h 3 } , 其中
{ h 1 ( x 1 ) , h 1 ( x 2 ) , h 1 ( x 3 ) , h 1 ( x 4 ) } = { − 1 , − 1 , − 1 , − 1 } { h 2 ( x 1 ) , h 2 ( x 2 ) , h 2 ( x 3 ) , h 2 ( x 4 ) } = { − 1 , + 1 , − 1 , − 1 } { h 3 ( x 1 ) , h 3 ( x 2 ) , h 3 ( x 3 ) , h 3 ( x 4 ) } = { + 1 , + 1 , + 1 , + 1 } \begin{aligned}
& \left\{h_1\left(\boldsymbol{x}_1\right), h_1\left(\boldsymbol{x}_2\right), h_1\left(\boldsymbol{x}_3\right), h_1\left(\boldsymbol{x}_4\right)\right\}=\{-1,-1,-1,-1\} \\
& \left\{h_2\left(\boldsymbol{x}_1\right), h_2\left(\boldsymbol{x}_2\right), h_2\left(\boldsymbol{x}_3\right), h_2\left(\boldsymbol{x}_4\right)\right\}=\{-1,+1,-1,-1\} \\
& \left\{h_3\left(\boldsymbol{x}_1\right), h_3\left(\boldsymbol{x}_2\right), h_3\left(\boldsymbol{x}_3\right), h_3\left(\boldsymbol{x}_4\right)\right\}=\{+1,+1,+1,+1\}
\end{aligned} { h 1 ( x 1 ) , h 1 ( x 2 ) , h 1 ( x 3 ) , h 1 ( x 4 ) } = { − 1 , − 1 , − 1 , − 1 } { h 2 ( x 1 ) , h 2 ( x 2 ) , h 2 ( x 3 ) , h 2 ( x 4 ) } = { − 1 , + 1 , − 1 , − 1 } { h 3 ( x 1 ) , h 3 ( x 2 ) , h 3 ( x 3 ) , h 3 ( x 4 ) } = { + 1 , + 1 , + 1 , + 1 }
易知
1 m ∑ i = 1 m σ i h 1 ( x i ) = 0 , 1 m ∑ i = 1 m σ i h 2 ( x i ) = 2 4 , 1 m ∑ i = 1 m σ i h 3 ( x i ) = 0 \frac{1}{m} \sum_{i=1}^m \sigma_i h_1\left(\boldsymbol{x}_i\right)=0, \frac{1}{m} \sum_{i=1}^m \sigma_i h_2\left(\boldsymbol{x}_i\right)=\frac{2}{4}, \frac{1}{m} \sum_{i=1}^m \sigma_i h_3\left(\boldsymbol{x}_i\right)=0 m 1 ∑ i = 1 m σ i h 1 ( x i ) = 0 , m 1 ∑ i = 1 m σ i h 2 ( x i ) = 4 2 , m 1 ∑ i = 1 m σ i h 3 ( x i ) = 0 ,
因此
sup h ∈ H 1 m ∑ i = 1 m σ i h ( x i ) = 2 4 \sup _{h \in \mathcal{H}} \frac{1}{m} \sum_{i=1}^m \sigma_i h\left(\boldsymbol{x}_i\right)=\frac{2}{4} h ∈ H sup m 1 i = 1 ∑ m σ i h ( x i ) = 4 2
12.5.4 式(12.39)的解释
E σ [ sup h ∈ H 1 m ∑ i = 1 m σ i h ( x i ) ] \mathbb{E}_{\boldsymbol{\sigma}}\left[\sup _{h \in \mathcal{H}} \frac{1}{m} \sum_{i=1}^{m} \sigma_{i} h\left(\boldsymbol{x}_{i}\right)\right] E σ [ h ∈ H sup m 1 i = 1 ∑ m σ i h ( x i ) ]
[解析]:这个式子可以用来衡量假设空间H \mathcal{H} H 的表达能力,对变量σ \sigma σ 求期望可以理解为当变量σ \sigma σ 包含所有可能的结果时,假设空间H \mathcal{H} H 中最契合的假设h h h 和变量的平均契合程度。因为前提假设是2分类的问题,因此σ i \sigma_i σ i 一共有2 m 2^m 2 m 种,这些不同的σ i \sigma_i σ i 构成了数据集D = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , … , ( x m , y m ) } D=\{(x_1, y_1), (x_2, y_2),\dots, (x_m, y_m)\} D = {( x 1 , y 1 ) , ( x 2 , y 2 ) , … , ( x m , y m )} 的"对分"(12.4节),如果一个假设空间的表达能力越强,那么就越有可能对于每一种σ i \sigma_i σ i ,假设空间中都存在一个h h h 使得h ( x i ) h(x_i) h ( x i ) 和σ i \sigma_i σ i 非常接近甚至相同,对所有可能的σ i \sigma_i σ i 取期望即可衡量假设空间的整体表达能力,这就是这个式子的含义。
12.5.5 式(12.40)的解释
对比式12.39,这里使用函数空间F \mathcal{F} F 代替了假设空间H \mathcal{H} H ,函数f f f 代替了假设h h h ,很容易理解,因为假设h h h 即可以看做是作用在数据x i x_i x i 上的一个映射,通过这个映射可以得到标签y i y_i y i 。注意前提假设实值函数空间F : Z → R \mathcal{F}:\mathcal{Z}\rightarrow\mathbb{R} F : Z → R ,即映射f f f 将样本z i z_i z i 映射到了实数空间,这个时候所有的σ i \sigma_i σ i 将是一个标量即σ i ∈ { + 1 , − 1 } \sigma_i\in\{+1, -1\} σ i ∈ { + 1 , − 1 } 。
12.5.6 式(12.41)的解释
这里所要求的是F \mathcal{F} F 关于分布D \mathcal{D} D 的Rademacher复杂度,因此从D \mathcal{D} D 中采出不同的样本Z Z Z ,计算这些样本对应的Rademacher复杂度的期望。
12.5.7 定理12.5的解释
首先令记号
E ^ Z ( f ) = 1 m ∑ i = 1 m f ( z i ) Φ ( Z ) = sup f ∈ F ( E [ f ] − E ^ Z ( f ) ) \begin{aligned} \widehat{E}_{Z}(f) &=\frac{1}{m} \sum_{i=1}^{m} f\left(\boldsymbol{z}_{i}\right) \\ \Phi(Z) &=\sup _{f \in \mathcal{F}} \left(\mathbb{E}[f]-\widehat{E}_{Z}(f)\right) \end{aligned} E Z ( f ) Φ ( Z ) = m 1 i = 1 ∑ m f ( z i ) = f ∈ F sup ( E [ f ] − E Z ( f ) )
即E ^ Z ( f ) \widehat{E}_{Z}(f) E Z ( f ) 表示函数f f f 作为假设下的经验误差,Φ ( Z ) \Phi(Z) Φ ( Z ) 表示泛化误差和经验误差的差的上确界。再令Z ′ Z^\prime Z ′ 为只与Z Z Z 有一个示例(样本)不同的训练集,不妨设z m ∈ Z z_m\in Z z m ∈ Z 和z m ′ ∈ Z ′ z^\prime_m\in Z^\prime z m ′ ∈ Z ′ 为不同的示例,那么有
Φ ( Z ′ ) − Φ ( Z ) = sup f ∈ F ( E [ f ] − E ^ Z ′ ( f ) ) − sup f ∈ F ( E [ f ] − E ^ Z ( f ) ) ⩽ sup f ∈ F ( E ^ Z ( f ) − E ^ Z ′ ( f ) ) = sup f ∈ F ∑ i = 1 m f ( z i ) − ∑ i = 1 m f ( z i ′ ) m = sup f ∈ F f ( z m ) − f ( z m ′ ) m ⩽ 1 m \begin{aligned} \Phi\left(Z^{\prime}\right)-\Phi(Z) &=\sup _{f \in \mathcal{F}} \left(\mathbb{E}[f]-\widehat{E}_{Z^{\prime}}(f)\right)-\sup _{f \in \mathcal{F}} \left(\mathbb{E}[f]-\widehat{E}_{Z}(f)\right) \\ & \leqslant \sup _{f \in \mathcal{F}} \left(\widehat{E}_{Z}(f)-\widehat{E}_{Z^{\prime}}(f)\right) \\ &=\sup_{f\in\mathcal{F}}\frac{\sum^m_{i=1}f(z_i)-\sum^m_{i=1}f(z^\prime_i)}{m}\\&=\sup _{f \in \mathcal{F}} \frac{f\left(z_{m}\right)-f\left(z_{m}^{\prime}\right)}{m} \\ & \leqslant \frac{1}{m} \end{aligned} Φ ( Z ′ ) − Φ ( Z ) = f ∈ F sup ( E [ f ] − E Z ′ ( f ) ) − f ∈ F sup ( E [ f ] − E Z ( f ) ) ⩽ f ∈ F sup ( E Z ( f ) − E Z ′ ( f ) ) = f ∈ F sup m ∑ i = 1 m f ( z i ) − ∑ i = 1 m f ( z i ′ ) = f ∈ F sup m f ( z m ) − f ( z m ′ ) ⩽ m 1
第一个不等式是因为上确界的差不大于差的上确界[5],第四行的等号由于Z ′ Z^\prime Z ′ 与Z Z Z 只有z m z_m z m 不相同,最后一行的不等式是因为前提假设F : Z → [ 0 , 1 ] \mathcal{F}:\mathcal{Z}\rightarrow [0,1] F : Z → [ 0 , 1 ] ,即f ( z m ) , f ( z m ′ ) ∈ [ 0 , 1 ] f(z_m),f(z_m^\prime)\in[0,1] f ( z m ) , f ( z m ′ ) ∈ [ 0 , 1 ] 。
同理
Φ ( Z ) − Φ ( Z ′ ) = sup f ∈ F f ( z m ′ ) − f ( z m ) m ⩽ 1 m \Phi(Z)-\Phi\left(Z^{\prime}\right) =\sup _{f \in \mathcal{F}} \frac{f\left(z_{m}^\prime\right)-f\left(z_{m}\right)}{m} \leqslant \frac{1}{m} Φ ( Z ) − Φ ( Z ′ ) = f ∈ F sup m f ( z m ′ ) − f ( z m ) ⩽ m 1
综上二式有:
∣ Φ ( Z ) − Φ ( Z ′ ) ∣ ⩽ 1 m \left\vert \Phi(Z)-\Phi\left(Z^{\prime}\right)\right\vert \leqslant \frac{1}{m} ∣ Φ ( Z ) − Φ ( Z ′ ) ∣ ⩽ m 1
将Φ \Phi Φ 看做函数f f f (注意这里的f f f 不是Φ \Phi Φ 定义里的f f f ),那么可以套用McDiarmid不等式的结论式12.7
P ( Φ ( Z ) − E Z [ Φ ( Z ) ] ⩾ ϵ ) ⩽ exp ( − 2 ϵ 2 ∑ i c i 2 ) P\left(\Phi(Z)-\mathbb{E}_{Z}[\Phi(Z)] \geqslant \epsilon\right) \leqslant \exp \left(\frac{-2 \epsilon^{2}}{\sum_{i} c_{i}^{2}}\right) P ( Φ ( Z ) − E Z [ Φ ( Z )] ⩾ ϵ ) ⩽ exp ( ∑ i c i 2 − 2 ϵ 2 )
令exp ( − 2 ϵ 2 ∑ i c i 2 ) = δ \exp \left(\frac{-2 \epsilon^{2}}{\sum_{i} c_{i}^{2}}\right)=\delta exp ( ∑ i c i 2 − 2 ϵ 2 ) = δ 可以求得ϵ = ln ( 1 / δ ) 2 m \epsilon=\sqrt{\frac{\ln (1 / \delta)}{2 m}} ϵ = 2 m l n ( 1/ δ ) ,所以
P ( Φ ( Z ) − E Z [ Φ ( Z ) ] ⩾ ln ( 1 / δ ) 2 m ) ⩽ δ P\left(\Phi(Z)-\mathbb{E}_{Z}[\Phi(Z)] \geqslant \sqrt{\frac{\ln (1 / \delta)}{2 m}}\right) \leqslant \delta P ( Φ ( Z ) − E Z [ Φ ( Z )] ⩾ 2 m ln ( 1/ δ ) ) ⩽ δ
由逆事件的概率定义得
P ( Φ ( Z ) − E Z [ Φ ( Z ) ] ⩽ ln ( 1 / δ ) 2 m ) ⩾ 1 − δ P\left(\Phi(Z)-\mathbb{E}_{Z}[\Phi(Z)] \leqslant \sqrt{\frac{\ln (1 / \delta)}{2 m}}\right) \geqslant 1-\delta P ( Φ ( Z ) − E Z [ Φ ( Z )] ⩽ 2 m ln ( 1/ δ ) ) ⩾ 1 − δ
即书中式12.44的结论。下面来估计E Z [ Φ ( Z ) ] \mathbb{E}_{Z}[\Phi(Z)] E Z [ Φ ( Z )] 的上界:
E Z [ Φ ( Z ) ] = E Z [ sup f ∈ F ( E [ f ] − E ^ Z ( f ) ) ] = E Z [ sup f ∈ F E Z ′ [ E ^ Z ′ ( f ) − E ^ Z ( f ) ] ] ⩽ E Z , Z ′ [ sup f ∈ F ( E ^ Z ′ ( f ) − E ^ Z ( f ) ) ] = E Z , Z ′ [ sup f ∈ F 1 m ∑ i = 1 m ( f ( z i ′ ) − f ( z i ) ) ] = E σ , Z , Z ′ [ sup f ∈ F 1 m ∑ i = 1 m σ i ( f ( z i ′ ) − f ( z i ) ) ] ⩽ E σ , Z ′ [ sup f ∈ F 1 m ∑ i = 1 m σ i f ( z i ′ ) ] + E σ , Z [ sup f ∈ F 1 m ∑ i = 1 m − σ i f ( z i ) ] = 2 E σ , Z [ sup f ∈ F 1 m ∑ i = 1 m σ i f ( z i ) ] = 2 R m ( F ) \begin{aligned} \mathbb{E}_{Z}[\Phi(Z)] &=\mathbb{E}_{Z}\left[\sup _{f \in \mathcal{F}} \left(\mathbb{E}[f]-\widehat{E}_{Z}(f)\right)\right] \\ &=\mathbb{E}_{Z}\left[\sup _{f \in \mathcal{F}} \mathbb{E}_{Z^{\prime}}\left[\widehat{E}_{Z^{\prime}}(f)-\widehat{E}_{Z}(f)\right]\right] \\ & \leqslant \mathbb{E}_{Z, Z^{\prime}}\left[\sup _{f \in \mathcal{F}}\left( \widehat{E}_{Z^{\prime}}(f)-\widehat{E}_{Z}(f)\right)\right] \\ &=\mathbb{E}_{Z, Z^{\prime}}\left[\sup _{f \in \mathcal{F}} \frac{1}{m} \sum_{i=1}^{m}\left(f\left(\boldsymbol{z}_{i}^{\prime}\right)-f\left(\boldsymbol{z}_{i}\right)\right)\right] \\ &=\mathbb{E}_{\boldsymbol{\sigma}, Z,Z^{\prime}}\left[\sup _{f \in \mathcal{F}} \frac{1}{m} \sum_{i=1}^{m} \sigma_{i}\left(f\left(\boldsymbol{z}_{i}^{\prime}\right)-f\left(\boldsymbol{z}_{i}\right)\right)\right] \\ &\leqslant \mathbb{E}_{\boldsymbol{\sigma}, Z^{\prime}}\left[\sup _{f \in \mathcal{F}} \frac{1}{m} \sum_{i=1}^{m} \sigma_{i} f\left(\boldsymbol{z}_{i}^{\prime}\right)\right]+\mathbb{E}_{\boldsymbol{\sigma}, Z}\left[\sup _{f \in \mathcal{F}} \frac{1}{m} \sum_{i=1}^{m}-\sigma_{i} f\left(\boldsymbol{z}_{i}\right)\right] \\ &=2 \mathbb{E}_{\boldsymbol{\sigma}, Z}\left[\sup _{f \in \mathcal{F}} \frac{1}{m} \sum_{i=1}^{m} \sigma_{i} f\left(\boldsymbol{z}_{i}\right)\right] \\ &=2 R_{m}(\mathcal{F}) \end{aligned} E Z [ Φ ( Z )] = E Z [ f ∈ F sup ( E [ f ] − E Z ( f ) ) ] = E Z [ f ∈ F sup E Z ′ [ E Z ′ ( f ) − E Z ( f ) ] ] ⩽ E Z , Z ′ [ f ∈ F sup ( E Z ′ ( f ) − E Z ( f ) ) ] = E Z , Z ′ [ f ∈ F sup m 1 i = 1 ∑ m ( f ( z i ′ ) − f ( z i ) ) ] = E σ , Z , Z ′ [ f ∈ F sup m 1 i = 1 ∑ m σ i ( f ( z i ′ ) − f ( z i ) ) ] ⩽ E σ , Z ′ [ f ∈ F sup m 1 i = 1 ∑ m σ i f ( z i ′ ) ] + E σ , Z [ f ∈ F sup m 1 i = 1 ∑ m − σ i f ( z i ) ] = 2 E σ , Z [ f ∈ F sup m 1 i = 1 ∑ m σ i f ( z i ) ] = 2 R m ( F )
第二行等式是外面套了一个对服从分布D \mathcal{D} D 的示例集Z ′ Z^\prime Z ′ 求期望,因为E Z ′ ∼ D [ E ^ Z ′ ( f ) ] = E ( f ) \mathbb{E}_{Z^\prime\sim\mathcal{D}}[\widehat{E}_{Z^\prime}(f)]=\mathbb{E}(f) E Z ′ ∼ D [ E Z ′ ( f )] = E ( f ) ,而采样出来的Z ′ Z^\prime Z ′ 和Z Z Z 相互独立,因此有E Z ′ ∼ D [ E ^ Z ( f ) ] = E ^ Z ( f ) \mathbb{E}_{Z^\prime\sim\mathcal{D}}[\widehat{E}_{Z}(f)]=\widehat{E}_{Z}(f) E Z ′ ∼ D [ E Z ( f )] = E Z ( f ) 。
第三行不等式基于上确界函数sup \sup sup 是个凸函数,将sup f ∈ F \sup_{f\in\mathcal{F}} sup f ∈ F 看做是凸函数f f f ,将E ^ Z ′ ( f ) − E ^ Z ( f ) \widehat{E}_{Z^{\prime}}(f)-\widehat{E}_{Z}(f) E Z ′ ( f ) − E Z ( f ) 看做变量x x x 根据Jesen不等式(式12.4),有E Z [ sup f ∈ F E Z ′ [ E ^ Z ′ ( f ) − E ^ Z ( f ) ] ] ⩽ E Z , Z ′ [ sup f ∈ F ( E ^ Z ′ ( f ) − E ^ Z ( f ) ) ] \mathbb{E}_{Z}\left[\sup _{f \in \mathcal{F}} \mathbb{E}_{Z^{\prime}}\left[\widehat{E}_{Z^{\prime}}(f)-\widehat{E}_{Z}(f)\right]\right] \leqslant \mathbb{E}_{Z, Z^{\prime}}\left[\sup _{f \in \mathcal{F}}\left( \widehat{E}_{Z^{\prime}}(f)-\widehat{E}_{Z}(f)\right)\right] E Z [ sup f ∈ F E Z ′ [ E Z ′ ( f ) − E Z ( f ) ] ] ⩽ E Z , Z ′ [ sup f ∈ F ( E Z ′ ( f ) − E Z ( f ) ) ] ,其中E Z , Z ′ [ ⋅ ] \mathbb{E}_{Z, Z^{\prime}}[\cdot] E Z , Z ′ [ ⋅ ] 是E Z [ E Z ′ [ ⋅ ] ] \mathbb{E}_{Z}[\mathbb{E}_{Z^\prime}[\cdot]] E Z [ E Z ′ [ ⋅ ]] 的简写形式。
第五行引入对Rademacher随机变量的期望,由于函数值空间是标量,因为σ i \sigma_i σ i 也是标量,即σ i ∈ { − 1 , + 1 } \sigma_i\in\{-1, +1\} σ i ∈ { − 1 , + 1 } ,且σ i \sigma_i σ i 总以相同概率可以取到这两个值,因此可以引入E σ \mathbb{E}_{\sigma} E σ 而不影响最终结果。
第六行利用了上确界的和不小于和的上确界[5],因为第一项中只含有变量z ′ z^\prime z ′ ,所以可以将E Z \mathbb{E}_Z E Z 去掉,因为第二项中只含有变量z z z ,所以可以将E Z ′ \mathbb{E}_{Z^\prime} E Z ′ 去掉。
第七行利用σ \sigma σ 是对称的,所以− σ -\sigma − σ 的分布和σ \sigma σ 完全一致,所以可以将第二项中的负号去除,又因为Z Z Z 和Z ′ Z^\prime Z ′ 均是从D \mathcal{D} D 中i . i . d . i.i.d. i . i . d . 采样得到的数据,因此可以将第一项中的z i ′ z^\prime_i z i ′ 替换成z z z ,将Z ′ Z^\prime Z ′ 替换成Z Z Z 。
最后根据定义式12.41可得E Z [ Φ ( Z ) ] = 2 R m ( F ) \mathbb{E}_{Z}[\Phi(Z)]=2\mathcal{R}_m(\mathcal{F}) E Z [ Φ ( Z )] = 2 R m ( F ) ,式(12.42)得证。
12.6 定理12.6的解释
针对二分类问题, 定理 12.5 12.5 12.5 给出了 "泛化误差" 和 "经验误差" 的关系, 即:
式(12.47)基于 Rademacher 复杂度 R m ( H ) R_m(\mathcal{H}) R m ( H ) 给出了泛化误差
E ( h ) E(h) E ( h ) 的上界;
式(12.48)基于经验 Rademacher 复杂度 R ^ D ( H ) \widehat{R}_D(\mathcal{H}) R D ( H )
给出了泛化误差 E ( h ) E(h) E ( h ) 的上界。
可能大家都会有疑问:定理12.6的设定其实也适用于定理12.5, 即值域为二 值的
{ − 1 , + 1 } \{-1,+1\} { − 1 , + 1 } 也属于值域为连续值的 [ 0 , 1 ] [0,1] [ 0 , 1 ] 的一种特殊情况,
这一点从接下来的式(12.49)的 转换可以看出。那么,
为什么还要针对二分类问题专门给出定理12.6呢?
根据(经验)Rademacher 复杂度的定义可以知道, R m ( H ) R_m(\mathcal{H}) R m ( H ) 和
R ^ D ( H ) \widehat{R}_D(\mathcal{H}) R D ( H ) 均大于零 (参见前面 有关式(12.39)的解释,
书中式(12.39)下面的一行也提到该式取值范围是 [ 0 , 1 ] ) [0,1]) [ 0 , 1 ]) ; 因此, 相比
于定理12.5来说, 定理12.6的上界更紧,
因为二者的界只有中间一项关于(经验)Rademacher 复杂度的部分不同,
在定理12.5中是两倍的(经验)Rademacher 复杂度, 而在定理 12.6中是
一倍的(经验)Rademacher 复杂度, 而(经验)Rademacher 复杂度大于零。
因此, 为二分类问题量身定制的定理12.6相比于通用的定理12.5来说,
二者的区别在 于定理12.6考虑了二分类的特殊情况,
得到了比定理12.5更紧的泛化误差界, 仅此而已。
下面做一些证明:
(1)首先通过式(12.49)将值域为 { − 1 , + 1 } \{-1,+1\} { − 1 , + 1 } 的假设空间 H \mathcal{H} H
转化为值域为 [ 0 , 1 ] [0,1] [ 0 , 1 ] 的函数空间 F H \mathcal{F}_{\mathcal{H}} F H ;
(2)接下来是该证明最核心部分, 即证明式(12.50)的结论
R ^ Z ( F H ) = 1 2 R ^ D ( H ) \widehat{R}_Z\left(\mathcal{F}_{\mathcal{H}}\right)=\frac{1}{2} \widehat{R}_D(\mathcal{H}) R Z ( F H ) = 2 1 R D ( H )
: 第 1 行等号就是定义 12.8 12.8 12.8 ; 第 2 行等号就是根据式(12.49)将
f h ( x i , y i ) f_h\left(\boldsymbol{x}_i, y_i\right) f h ( x i , y i ) 换为
I ( h ( x i ) ≠ y i ) \mathbb{I}\left(h\left(\boldsymbol{x}_i\right) \neq y_i\right) I ( h ( x i ) = y i ) ; 第 3
行等号类似于式(12.36)的第 2 个等号; 第 4 行等号说明如下:
sup h ∈ H 1 m ∑ i = 1 m σ i 1 − y i h ( x i ) 2 = sup h ∈ H 1 2 m ∑ i = 1 m σ i + sup h ∈ H 1 2 m ∑ i = 1 m − y i σ i h ( x i ) 2 \sup _{h \in \mathcal{H}} \frac{1}{m} \sum_{i=1}^m \sigma_i \frac{1-y_i h\left(\boldsymbol{x}_i\right)}{2}=\sup _{h \in \mathcal{H}} \frac{1}{2 m} \sum_{i=1}^m \sigma_i+\sup _{h \in \mathcal{H}} \frac{1}{2 m} \sum_{i=1}^m \frac{-y_i \sigma_i h\left(\boldsymbol{x}_i\right)}{2} h ∈ H sup m 1 i = 1 ∑ m σ i 2 1 − y i h ( x i ) = h ∈ H sup 2 m 1 i = 1 ∑ m σ i + h ∈ H sup 2 m 1 i = 1 ∑ m 2 − y i σ i h ( x i )
其中 sup h ∈ H 1 2 m ∑ i = 1 m σ i \sup _{h \in \mathcal{H}} \frac{1}{2 m} \sum_{i=1}^m \sigma_i sup h ∈ H 2 m 1 ∑ i = 1 m σ i 与
h h h 无关, 所以
sup h ∈ H 1 2 m ∑ i = 1 m σ i = 1 2 m ∑ i = 1 m σ i \sup _{h \in \mathcal{H}} \frac{1}{2 m} \sum_{i=1}^m \sigma_i=\frac{1}{2 m} \sum_{i=1}^m \sigma_i sup h ∈ H 2 m 1 ∑ i = 1 m σ i = 2 m 1 ∑ i = 1 m σ i ,
即第 4 行等号; 第 5 行等号是由于
E σ [ 1 m ∑ i = 1 m σ i ] = 0 \mathbb{E}_{\boldsymbol{\sigma}}\left[\frac{1}{m} \sum_{i=1}^m \sigma_i\right]=0 E σ [ m 1 ∑ i = 1 m σ i ] = 0 ,
例如当 m = 2 m=2 m = 2 时, 所有可能得 σ \boldsymbol{\sigma} σ 包括 ( − 1 , − 1 ) (-1,-1) ( − 1 , − 1 ) ,
( − 1 , + 1 ) , ( + 1 , − 1 ) (-1,+1),(+1,-1) ( − 1 , + 1 ) , ( + 1 , − 1 ) 和 ( + 1 , + 1 ) (+1,+1) ( + 1 , + 1 ) , 求期望后显然结果等于 0 ; 第 6
行等号正如边注所说, " − y i σ i -y_i \sigma_i − y i σ i 与 σ i \sigma_i σ i 分布相同"
(原因跟定理12.5中证明
E Z [ Φ ( Z ) ] ⩽ 2 R m ( F ) \mathbb{E}_Z[\Phi(Z)] \leqslant 2 R_m(\mathcal{F}) E Z [ Φ ( Z )] ⩽ 2 R m ( F ) 相同,
即求期望时要针对所 有可能的 σ \sigma σ 参见"西瓜书"第 282 页第 8 行); 第 7
行等号再次使用了定义12.8。
(3)关于式(12.51), 根据式(12.50)的结论, 可证明如下:
R m ( F H ) = E Z [ R ^ Z ( F H ) ] = E D [ 1 2 R ^ D ( H ) ] = 1 2 E D [ R ^ D ( H ) ] = 1 2 R m ( H ) R_m\left(\mathcal{F}_{\mathcal{H}}\right)=\mathbb{E}_Z\left[\widehat{R}_Z\left(\mathcal{F}_{\mathcal{H}}\right)\right]=\mathbb{E}_D\left[\frac{1}{2} \widehat{R}_D(\mathcal{H})\right]=\frac{1}{2} \mathbb{E}_D\left[\widehat{R}_D(\mathcal{H})\right]=\frac{1}{2} R_m(\mathcal{H}) R m ( F H ) = E Z [ R Z ( F H ) ] = E D [ 2 1 R D ( H ) ] = 2 1 E D [ R D ( H ) ] = 2 1 R m ( H )
其中第 2 个等号由 Z Z Z 变为 D D D 只是符号根据具体情况的适时变化而已。
(4)最后, 将式(12.49)定义的 f h f_h f h 替换定理 12.5 12.5 12.5 中的函数 f f f , 则
E [ f ( z ) ] = E [ I ( h ( x ) ≠ y ) ] = E ( h ) 1 m ∑ i = 1 m f ( z i ) = 1 m ∑ i = 1 m I ( h ( x i ) ≠ y i ) = E ^ ( h ) \begin{gathered}
\mathbb{E}[f(\boldsymbol{z})]=\mathbb{E}[\mathbb{I}(h(\boldsymbol{x}) \neq y)]=E(h) \\
\frac{1}{m} \sum_{i=1}^m f\left(\boldsymbol{z}_i\right)=\frac{1}{m} \sum_{i=1}^m \mathbb{I}\left(h\left(\boldsymbol{x}_i\right) \neq y_i\right)=\widehat{E}(h)
\end{gathered} E [ f ( z )] = E [ I ( h ( x ) = y )] = E ( h ) m 1 i = 1 ∑ m f ( z i ) = m 1 i = 1 ∑ m I ( h ( x i ) = y i ) = E ( h )
将式(12.51)代入式(12.42), 即用
1 2 R m ( H ) \frac{1}{2} R_m(\mathcal{H}) 2 1 R m ( H ) 替换式(12.42)的 R m ( F ) R_m(\mathcal{F}) R m ( F ) ,
式(12.47)得证;
将式(12.50)代入式(12.43), 即用 1 2 R ^ D ( H ) \frac{1}{2} \widehat{R}_D(\mathcal{H}) 2 1 R D ( H )
替换式(12.43)的 R ^ Z ( F ) \widehat{R}_Z(\mathcal{F}) R Z ( F ) , 式(12.48)得证。
这里有个疑问在于,定理 12.5 12.5 12.5 的前提是 "实值函数空间
F : Z → [ 0 , 1 ] \mathcal{F}: \mathcal{Z} \rightarrow[0,1] F : Z → [ 0 , 1 ] ", 而式(12.49) 得到的函数
f h ( z ) f_h(z) f h ( z ) 的值域实际为 { 0 , 1 } \{0,1\} { 0 , 1 } , 仍是离散的而非实值的; 当然, 定理 12.5 12.5 12.5
的证明也 只需要其函数值在 [ 0 , 1 ] [0,1] [ 0 , 1 ] 范围内即可, 并不需要其连续。
12.6.1 式(12.52)的证明
比较繁琐,同书上所示,参见Foundations of Machine
Learning[6]
12.6.2 式(12.53)的推导
根据式12.28有Π H ( m ) ⩽ ( e ⋅ m d ) d \Pi_{\mathcal{H}}(m) \leqslant\left(\frac{e \cdot m}{d}\right)^{d} Π H ( m ) ⩽ ( d e ⋅ m ) d ,根据式12.52有R m ( H ) ⩽ 2 ln Π H ( m ) m R_{m}(\mathcal{H}) \leqslant \sqrt{\frac{2 \ln \Pi_{\mathcal{H}}(m)}{m}} R m ( H ) ⩽ m 2 l n Π H ( m ) ,因此Π H ( m ) ⩽ 2 d ln e m d m \Pi_{\mathcal{H}}(m) \leqslant \sqrt{\frac{2 d \ln \frac{e m}{d}}{m}} Π H ( m ) ⩽ m 2 d l n d e m ,再根据式12.47
E ( h ) ⩽ E ^ ( h ) + R m ( H ) + ln ( 1 / δ ) 2 m E(h) \leqslant \widehat{E}(h)+R_{m}(\mathcal{H})+\sqrt{\frac{\ln (1 / \delta)}{2 m}} E ( h ) ⩽ E ( h ) + R m ( H ) + 2 m l n ( 1/ δ )
即证。
12.7 稳定性
上上节中介绍的基于VC维的泛化误差界是分布无关、数据独立的,上一节介绍的Rademacher复杂度则在一定程度上考虑了数据分布,但二者得到的结果均与具体学习算法无关;本节将要介绍的稳定性分析可以获得与算法有关的分析结果。算法的"稳定性"考察的是算法在输入发生变化时,输出是否会随之发生较大的变化。
12.7.1 泛化/经验/留一损失的解释
根据式(12.54)上方关于损失函数的描述:"刻画了假设 的预测标记 与真实标记
之间的差别",这里针对的是二分类,预测标记和真实标记均只能取 和
两个值,它们之间的"差别"又能是什么呢?
因此,当"差别"取为
时,式(12.54)的泛化损失就是式(12.1)的泛化误差,式(12.55)的经验损失就是式(12.2)的经验误差,如果类似于式(12.1)和式(12.2)继续定义留一误差,那么式(12.56)就对应于留一误差。
12.7.2 式(12.57)的解释
根据三角不等式[7],有∣ a + b ∣ ≤ ∣ a ∣ + ∣ b ∣ |a+b| \leq|a|+|b| ∣ a + b ∣ ≤ ∣ a ∣ + ∣ b ∣ ,将a = ℓ ( L D , z ) − ℓ ( L D i ) a=\ell\left(\mathfrak{L}_{D}, \boldsymbol{z}\right)-\ell\left(\mathfrak{L}_{D^{i}}\right) a = ℓ ( L D , z ) − ℓ ( L D i ) ,b = ℓ ( L D i , z ) − ℓ ( L D \ i , z ) b=\ell\left(\mathfrak{L}_{D^{i}, \boldsymbol{z}}\right)-\ell\left(\mathfrak{L}_{D^{\backslash i}, \boldsymbol{z}}\right) b = ℓ ( L D i , z ) − ℓ ( L D \ i , z ) 带入即可得出第一个不等式,根据D \ i D^{\backslash i} D \ i 表示移除D D D 中第i i i 个样本,D i D^i D i 表示替换D D D 中第i i i 个样本,那么a , b a,b a , b 的变动均为一个样本,根据式12.57,a ⩽ β , b ⩽ β a\leqslant\beta, b\leqslant\beta a ⩽ β , b ⩽ β ,因此a + b ⩽ 2 β a +b \leqslant 2\beta a + b ⩽ 2 β 。
12.7.3 定理12.8的解释
西瓜书在该定理下方已明确给出该定理的意义, 即 "定理 12.8 12.8 12.8
给出了基于稳定性分析 推导出的学习算法 L \mathfrak{L} L
学得假设的泛化误差界", 式(12.58)和式(12.59)分别基于经验损失和留
一损失给出了泛化损失的上界。接下来讨论两个相关问题:
(1)定理 12.8 12.8 12.8 的条件包括损失函数有界, 即
0 ⩽ ℓ ( L D , z ) ⩽ M 0 \leqslant \ell\left(\mathfrak{L}_D, \boldsymbol{z}\right) \leqslant M 0 ⩽ ℓ ( L D , z ) ⩽ M ;
如本节第 1 条注解 "泛 化/经验/留一损失的解释" 中所述, 若 "差别" 取为
I ( L D ( x ) , y ) \mathbb{I}\left(\mathfrak{L}_D(\boldsymbol{x}), y\right) I ( L D ( x ) , y ) ,
则泛化损失对应于泛化误 差, 此时上限 M = 1 M=1 M = 1 。
(2)在前面泛化误差上界的推导中(例如定理 12.1、定理 12.3、定理 12.6、定理
12.7), 上界中与样本数 m m m 有关的项收玫率均为 O ( 1 / m ) O(1 / \sqrt{m}) O ( 1/ m ) ,
但在该定理中却是 O ( β m ) O(\beta \sqrt{m}) O ( β m ) ; 一般来讲, 随着样本数 m m m 的增加,
经验误差/损失应该收玫于泛化误差/损失, 因此这里假设 β = 1 / m \beta=1 / m β = 1/ m (书
中式(12.59)下方第 3 行写为 β = O ( 1 / m ) \beta=O(1 / m) β = O ( 1/ m ) ), 而在第 2 条注解 "定义
12.10 12.10 12.10 的解释" 中已经提 到 β \beta β 的取值的确会随着样本数 m m m
的增多会变小, 虽然书中并没有严格去讨论 β \beta β 随 m m m 增多的变 化规律,
但至少直觉上是对的。
12.7.4 式(12.60)的推导
将β = 1 m \beta=\frac{1}{m} β = m 1 带入至式(12.58)即得证。
12.7.5 经验损失最小化
顾名思义, "经验损失最小化" 指通过最小化经验损失来求得假设函数。
这里, "对于损失函数 ℓ \ell ℓ , 若学习算法 L \mathfrak{L} L
所输出的假设满足经验损失最小化, 则称算法 L \mathfrak{L} L
满足经验风险最小化原则, 简称算法是 ERM 的"。 在"西瓜书"第 278 页,
若学习算法 L \mathfrak{L} L 输出的假设 h h h 满足式(12.30), 则也称
L \mathfrak{L} L 为满足经验风险最小 化原则的算法。而很明显,
式(12.30)是在最小化经验误差。
那么最小化经验误差和最小化经验损失有什么区别么?
在"西瓜书"第 286 页左下角边注中提到,
"最小化经验误差和最小化经验损失有时并不相同, 这
是由于存在某些病态的损失函数 ℓ \ell ℓ
使得最小化经验损失并不是最小化经验误差"。
对于 "误差"、"损失"、"风险" 等概念的辨析,参见"西瓜书"第 2 章 2.1 2.1 2.1
节的注解。
12.7.6 定理(12.9)的证明的解释
首先明确几个概念,ERM表示算法L \mathcal{L} L 满足经验风险最小化(Empirical
Risk
Minimization)。由于L \mathcal{L} L 满足经验误差最小化,则可令g g g 表示假设空间中具有最小泛化损失的假设,即
ℓ ( g , D ) = min h ∈ H ℓ ( h , D ) \ell(g, \mathcal{D})=\min _{h \in \mathcal{H}} \ell(h, \mathcal{D}) ℓ ( g , D ) = h ∈ H min ℓ ( h , D )
再令
ϵ ′ = ϵ 2 δ 2 = 2 exp ( − 2 m ( ϵ ′ ) 2 ) \begin{array}{l}{\epsilon^{\prime}=\frac{\epsilon}{2}} \\ {\frac{\delta}{2}=2 \exp \left(-2 m\left(\epsilon^{\prime}\right)^{2}\right)}\end{array} ϵ ′ = 2 ϵ 2 δ = 2 exp ( − 2 m ( ϵ ′ ) 2 )
将ϵ ′ = ϵ 2 \epsilon^\prime=\frac{\epsilon}{2} ϵ ′ = 2 ϵ 带入到δ 2 = 2 exp ( − 2 m ( ϵ ′ ) 2 ) {\frac{\delta}{2}=2 \exp \left(-2 m\left(\epsilon^{\prime}\right)^{2}\right)} 2 δ = 2 exp ( − 2 m ( ϵ ′ ) 2 ) 可以解得m = 2 ϵ 2 ln 4 δ m=\frac{2}{\epsilon^{2}} \ln \frac{4}{\delta} m = ϵ 2 2 ln δ 4 ,由Hoeffding不等式12.6,
P ( ∣ 1 m ∑ i = 1 m x i − 1 m ∑ i = 1 m E ( x i ) ∣ ⩾ ϵ ) ⩽ 2 exp ( − 2 m ϵ 2 ) P\left(\left\vert\frac{1}{m} \sum_{i=1}^{m} x_{i}-\frac{1}{m} \sum_{i=1}^{m} \mathbb{E}\left(x_{i}\right)\right\vert \geqslant \epsilon\right) \leqslant 2 \exp \left(-2 m \epsilon^{2}\right) P ( m 1 i = 1 ∑ m x i − m 1 i = 1 ∑ m E ( x i ) ⩾ ϵ ) ⩽ 2 exp ( − 2 m ϵ 2 )
其中1 m ∑ i = 1 m E ( x i ) = ℓ ( g , D ) \frac{1}{m} \sum_{i=1}^{m} \mathbb{E}\left(x_{i}\right)=\ell(g, \mathcal{D}) m 1 ∑ i = 1 m E ( x i ) = ℓ ( g , D ) ,1 m ∑ i = 1 m x i = ℓ ^ ( g , D ) \frac{1}{m} \sum_{i=1}^{m} x_{i}=\widehat{\ell}(g, \mathcal{D}) m 1 ∑ i = 1 m x i = ℓ ( g , D ) ,带入可得
P ( ∣ ℓ ( g , D ) − ℓ ^ ( g , D ) ∣ ⩾ ϵ 2 ) ⩽ δ 2 P(|\ell(g, \mathcal{D})-\widehat{\ell}(g, D)| \geqslant \frac{\epsilon}{2})\leqslant \frac{\delta}{2} P ( ∣ ℓ ( g , D ) − ℓ ( g , D ) ∣ ⩾ 2 ϵ ) ⩽ 2 δ
根据逆事件的概率可得
P ( ∣ ℓ ( g , D ) − ℓ ^ ( g , D ) ∣ ⩽ ϵ 2 ) ⩾ 1 − δ 2 P(|\ell(g, \mathcal{D})-\widehat{\ell}(g, D)| \leqslant \frac{\epsilon}{2})\geqslant 1- \frac{\delta}{2} P ( ∣ ℓ ( g , D ) − ℓ ( g , D ) ∣ ⩽ 2 ϵ ) ⩾ 1 − 2 δ
即文中∣ ℓ ( g , D ) − ℓ ^ ( g , D ) ∣ ⩽ ϵ 2 |\ell(g, \mathcal{D})-\widehat{\ell}(g, D)| \leqslant \frac{\epsilon}{2} ∣ ℓ ( g , D ) − ℓ ( g , D ) ∣ ⩽ 2 ϵ 至少以1 − δ / 2 1-\delta/2 1 − δ /2 的概率成立。
由2 m + ( 4 + M ) ln ( 2 / δ ) 2 m = ϵ 2 \frac{2}{m}+(4+M) \sqrt{\frac{\ln (2 / \delta)}{2 m}}=\frac{\epsilon}{2} m 2 + ( 4 + M ) 2 m l n ( 2/ δ ) = 2 ϵ 可以求解出
m = ( 4 + M ) ln ( 2 / δ ) 2 + ( 4 + M ) 2 ln ( 2 / δ ) 2 − 4 × ϵ 2 × ( − 2 ) 2 × ϵ 2 \sqrt{m}=\frac{(4+M) \sqrt{\frac{\ln (2 / \delta)}{2}}+\sqrt{(4+M)^{2} \frac{\ln (2 / \delta)}{2}-4 \times \frac{\epsilon}{2} \times(-2)}}{2 \times \frac{\epsilon}{2}} m = 2 × 2 ϵ ( 4 + M ) 2 l n ( 2/ δ ) + ( 4 + M ) 2 2 l n ( 2/ δ ) − 4 × 2 ϵ × ( − 2 )
即m = O ( 1 ϵ 2 ln 1 δ ) m=O\left(\frac{1}{\epsilon^{2}} \ln \frac{1}{\delta}\right) m = O ( ϵ 2 1 ln δ 1 ) 。
由P ( ∣ ℓ ( g , D ) − ℓ ^ ( g , D ) ∣ ⩽ ϵ 2 ) ⩾ 1 − δ 2 P(|\ell(g, \mathcal{D})-\widehat{\ell}(g, D)| \leqslant \frac{\epsilon}{2})\geqslant 1- \frac{\delta}{2} P ( ∣ ℓ ( g , D ) − ℓ ( g , D ) ∣ ⩽ 2 ϵ ) ⩾ 1 − 2 δ 可以按照同公式12.31中介绍的相同的方法推导出
P ( ℓ ( L , D ) − ℓ ( g , D ) ⩽ ϵ ) ⩾ 1 − δ P(\ell(\mathfrak{L}, \mathcal{D})-\ell(g, \mathcal{D})\leqslant\epsilon)\geqslant 1-\delta P ( ℓ ( L , D ) − ℓ ( g , D ) ⩽ ϵ ) ⩾ 1 − δ
又因为m m m 为与( 1 / ϵ , 1 / δ , size ( x ) , size ( c ) ) \left(1/\epsilon,1/\delta,\text{size}(x),\text{size}(c)\right) ( 1/ ϵ , 1/ δ , size ( x ) , size ( c ) ) 相关的多项式的值,因此根据定理12.2,定理12.5,得到结论H \mathcal{H} H 是(不可知)PAC可学习的。
参考文献
[1] Wassily Hoeffding. Probability inequalities for sums of bounded random variables. Journal of the
American statistical association, 58(301):13–30, 1963.
[2] Vladimir N Vapnik and A Ya Chervonenkis. On the uniform convergence of relative frequencies of
events to their probabilities. In Measures of complexity, pages 11–30. Springer, 2015.
[3] Wikipedia contributors. Binomial theorem, 2020.
[4] Wikipedia contributors. E, 2020.
[5] robjohn. Supremum of the difference of two functions, 2013.
[6] Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar. Foundations of machine learning. 2018.
[7] Wikipedia contributors. Triangle inequality, 2020.